【2025版】最新RAG知识库之知识库图谱应用，零基础入门到精通，收藏这篇就够了

最新推荐文章于 2025-06-25 11:26:59 发布
最新推荐文章于 2025-06-25 11:26:59 发布
阅读量1.4k 收藏 17
点赞数 28
CC 4.0 BY-SA版权
分类专栏： 计算机 程序员 互联网 文章标签： 大模型 语言模型
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/Libra1313/article/details/145300520

上篇文章介绍了使用大模型构建生成知识图谱，其实也可不用大模型用其他方式构建生成知识图谱，但RAG要结合知识图谱使用关键还是怎么把图谱的内容查询出来；简单来说可以先查出Chunk集在关联查出每个Chunk所关联的实体Entity再查询出实体之间的的关系集；这里说的RAG结合知识图谱和微软开源的GraphRAG具体实现是不同的，GraphRAG效果提升会更好。

在Neo4j中使用Cypher查询语言可以轻松实现图谱数据的查询，通过Chunk元数据fileName以及Document与Chunk节点的关系PART_OF、Chunk与实体的关系HAS_ENTITY就可查询到了该文档的完整知识图谱。图谱查询的具体流程如下：

 1、将问题转为嵌入向量  
 2、如果选择了Document过滤则会根据Chunk的字段fileName过滤Chunk否则使用问题向量查询匹配vector索引所对应的chunk  
 3、计算Chunk节点的嵌入embedding字段与问题向量的余弦相似度作为score  
 4、查找与Chunk节点具有PART\_OF关系的Document并使用fileName过滤文档  
5、查找与Chunk节点具有HAS\_ENTITY关系的Entity实体节点根据fileName过滤实体  
  6、组装从Chunk节点到实体节点的路径、从实体到实体的路径等  
 7、返回Chunk节点text内容、所有chunk的平均分score、Chunk元数据(源文档名称、chunkId、余弦相似度分数score等)、实体集、关系集  
  8、计算问题嵌入向量与返回的图谱文档嵌入向量余弦相似度，根据预设阈值过滤掉相似度较低的图谱文档  
  9、提交提问问题与经过过滤的图谱文档作为上下文到LLM

示例

  海南岛文档其内容如下：

定安县位于海南岛东北部为海南省直辖县，最近的机场是美兰机场距30公里左右。  


  假如此段文本生成的图谱如上图所示。

提问问题：定安
限定文档：海南岛

  在这个知识图谱中查询数据时会发生一下情况：

  1、根据海南岛文档名称查询到其文档存在两个Chunk因为两个Chunk存fileName为海南岛的元数据  
  2、根据Chunk与Doc的Part\_of关系溯源到Dunk所属与海南岛文档  
  3、根据Chunk与Entity的HAS\_ENTITY关系查找到《海南省》、《定安县》、《美兰机场》实体  
  4、根据查找到的实体查找实体间的关系、实体的属性

  经过如上4个流程后在图谱中查询到的文档内容如下：

定安县位于海南岛东北部为海南省直辖县，最近的机场是美兰机场距30公里左右。  
实体集：行政区划：海南省 县:定安县 机场:美兰机场 关系集:行政区划:海南省 管辖 县:定安县  县:定安县 距离30公里:美兰机场  


  由于返回的此段文本与提问问题余弦相似度超过阈值所以保留该文档，讲该文档作为提问问题上下文提交到大模型。

  当然在这个简单的图谱可能看不出知识图谱的优势，但可以明显的看到经过知识图谱的RAG得到的上下文比普通基于向量的RAG其上下文多了实体集、关系集信息，如图谱质量较高实体与关系的比较精准此时的上下文对于LLM还是会有很大帮助，对于RAG的准确性也会有所提高；

下面给大家分享一份2025最新版的大模型学习路线，帮助新人小白更系统、更快速的学习大模型！
因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取

2024最新版优快云大礼包：《AGI大模型学习资源包》免费分享**

一、2025最新大模型学习路线

一个明确的学习路线可以帮助新人了解从哪里开始，按照什么顺序学习，以及需要掌握哪些知识点。大模型领域涉及的知识点非常广泛，没有明确的学习路线可能会导致新人感到迷茫，不知道应该专注于哪些内容。

我们把学习路线分成L1到L4四个阶段，一步步带你从入门到进阶，从理论到实战。

L1级别:AI大模型时代的华丽登场

L1阶段：我们会去了解大模型的基础知识，以及大模型在各个行业的应用和分析；学习理解大模型的核心原理，关键技术，以及大模型应用场景；通过理论原理结合多个项目实战，从提示工程基础到提示工程进阶，掌握Prompt提示工程。

L2级别：AI大模型RAG应用开发工程

L2阶段是我们的AI大模型RAG应用开发工程，我们会去学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3级别：大模型Agent应用架构进阶实践

L3阶段：大模型Agent应用架构进阶实现，我们会去学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造我们自己的Agent智能体；同时还可以学习到包括Coze、Dify在内的可视化工具的使用。

L4级别：大模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，我们会更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调；并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

整个大模型学习路线L1主要是对大模型的理论基础、生态以及提示词他的一个学习掌握；而L3 L4更多的是通过项目实战来掌握大模型的应用开发，针对以上大模型的学习路线我们也整理了对应的学习视频教程，和配套的学习资料。

二、大模型经典PDF书籍

书籍和学习文档资料是学习大模型过程中必不可少的，我们精选了一系列深入探讨大模型技术的书籍和学习文档，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。（书籍含电子版PDF）

三、大模型视频教程

对于很多自学或者没有基础的同学来说，书籍这些纯文字类的学习教材会觉得比较晦涩难以理解，因此，我们提供了丰富的大模型视频教程，以动态、形象的方式展示技术概念，帮助你更快、更轻松地掌握核心知识。

四、大模型项目实战

学以致用 ，当你的理论知识积累到一定程度，就需要通过项目实战，在实际操作中检验和巩固你所学到的知识，同时为你找工作和职业发展打下坚实的基础。

五、大模型面试题

面试不仅是技术的较量，更需要充分的准备。

在你已经掌握了大模型技术之后，就需要开始准备面试，我们将提供精心整理的大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。


因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取

2024最新版优快云大礼包：《AGI大模型学习资源包》免费分享

【人工智能】RAG构建知识库与知识图谱指南
meisongqing的博客
04-30 673
构建基于RAG（检索增强生成）的知识库和知识图谱涉及将检索与生成技术结合，提升知识获取、整合和应用的效率。示例：新闻提到“公司A收购公司B”，RAG检索公司A/B的历史数据，生成并购关系并存入图谱。处理“药物X缓解症状Y”时，检索器查找药物X的现有副作用，生成器推断“缓解”是否为正确关系。：对模糊关系，生成模型基于检索内容推断可能的关系（如“药物A—治疗—疾病B”）。：使用模型（如spaCy、BERT）提取文本中的实体（人物、地点等）。：图结构的知识库，用节点（实体）和边（关系）表示复杂关系。
领域知识库集成:打造RAG知识图谱的坚实后盾
AI天才研究院
05-05 342
1. 背景介绍 1.1 知识图谱的兴起与局限 近年来，知识图谱作为一种结构化的知识表示方式，在人工智能领域中得到了广泛的应用。它能够有效地组织和关联海量信息，为机器学习、自然语言处理等任务提供强大的知识支持。然而，传统的知识图谱构建方法往往依赖于人工标注和专家知识，存在着构建成本高、知识更新慢等
大模型技术学习系列(5): 基于langchain构建RAG应用
u011160113的博客
07-23 1538
本章中，我们回归了一下RAG的流程，并分析了下这个过程中涉及到的组件以及这些组件在langchain中对应的实现方式，并整合这些方式，实现了带RAG的大模型应用。通过这个实践过程，能够帮助我们更好的理解RAG的整个过程。
一文带你速通RAG、知识库和LLM！
youmaob的博客
05-28 4461
定制知识库是指一系列紧密关联且始终保持更新的知识集合，它构成了 RAG 的核心基础。这个知识库可以表现为一个结构化的数据库形态（比如：MySQL），也可以表现为一套非结构化的文档体系（比如：文件、图图片、音频、视频等），甚至可能是两者兼具的综合形式。
RAG框架，知识库开发和知识库应用（非常详细）
最新发布
Libra1313的博客
06-25 927
一、什么是RAG?检索增强生成（Retrieval Augmented Generation），简称 RAG。结合向量检索（Retrieval）与内容生成（Generation）的AI框架。二、为啥需要RAG？原因是通用的基础大模型基本无法满足我们的实际业务需求。1、有以下有几方面原因：1）知识的局限性：（缺企业私有知识库）模型自身的知识完全源于它的训练数据，而现有的大模型的训练集基本都是构建于网络公开的数据，对于一些实时性的、非公开的或离线的数据是无法获取到的，这部分知识也就无从具备。
RAG 修炼手册｜揭秘 RAG 时代的新向量数据库
ZILLIZ
05-07 3084
RAG 场景中对向量数据库的召回效果有着严格的要求，不仅需要高精度和快速响应的召回这类基础能力，还需要处理多模态数据的能力以及可解释性和可调试性这类更高级的功能，以确保生成模型能够基于高质量的召回结果产生准确和相关的输出。其次在检索效率方面，由于信息可以表示成高维向量，针对向量加上特殊的索引优化和量化方法，可以极大提升检索效率并压缩存储成本，随着数据量的增长，向量数据库能够水平扩展，保持查询的响应时间，这对于需要处理海量数据的 RAG 系统至关重要，因此向量数据库更擅长处理超大规模的非结构化数据。
AI大模型_3.2 RAG 高效应用指南
DEVELOPERAA的博客
11-23 1542
构建一个RAG 应用的概念验证过程相对简单，但要将其推广到生产环境中则会面临多方面的挑战。这主要是因为 RAG 系统涉及多个不同的组件，每个组件都需要精心设计和优化，以确保整体性能达到令人满意的水平。
5分钟带你看懂大模型RAG、知识库和知识图谱，建议收藏！
2401_85375186的博客
04-23 829
如果你真的想学习大模型，请不要去网上找那些零零碎碎的教程，真的很难学懂！你可以根据我这个学习路线和系统资料，制定一套学习计划，只要你肯花时间沉下心去学习，它们一定能帮到你！
基于大模型 RAG 知识库与知识图谱的问答平台。详细文档+全部资料+优秀项目.zip
12-28
基于大模型 RAG 知识库与知识图谱的问答平台。Llamaindex + VueJS + Flask + Neo4j。大模型适配 OpenAI、国内主流大模型平台的模型调用、本地 vllm 部署。详细文档+全部资料+优秀项目.zip 【备注】 1、该项目是个人...
基于大模型 RAG 知识库与知识图谱的问答平台-详细文档+全部资料+优秀项目
04-19
基于大模型 RAG 知识库与知识图谱的问答平台-详细文档+全部资料+优秀项目，该项目是个人毕设项目，答辩评审分达到98分，代码都经过调试测试，确保可以运行！欢迎下载使用，可用于小白学习、进阶。该资源主要针对...
RAG知识库模式：从基础到高阶
maxcode
03-04 157
七种大模型RAG（检索增强生成）知识库模式
RAG知识库：一文梳理RAG（检索增强生成）的现状与挑战
2401_82469710的博客
11-20 1100
大模型相较于过去的语言模型具备更加强大的能力，但在实际应用中，例如在准确性、知识更新速度和答案透明度方面，仍存在不少问题，比如典型的幻觉现象。
说说rag知识库，AI agent智能体 平台，压箱底经验总结！
aolan123的博客
12-14 850
rag和智能体这些套件都属于。
在大模型RAG系统中应用知识图谱
我相信......
02-25 3195
【引子】 关于大模型及其应用方面的文章层出不穷，聚焦于自己面对的问题，有针对性的阅读会有很多的启发，本文源自Whyhow.ai 上的一些文字和示例。对于在大模型应用过程中如何使用知识图谱比较有参考价值，特汇总分享给大家。在基于大模型的RAG应用中，可能会出现不同类型的问题，通过知识图谱的辅助可以在不同阶段增强RAG的效果，并具体说明在每个阶段如何改进答案和查询。知识图谱更类似于结构化数据存储，而不...
【Spring】RAG 知识库基础
weixin_62533201的博客
06-02 1271
详细介绍了RAG相关概念以及通过SpringAI、SpringAi Alibaba框架实现本地知识库与云知识库RAG实战功能
rag知识库总结，零基础入门到精通，收藏这篇就够了
A1_3_9_7的博客
12-12 1994
RAG的核心在于准确与快速的检索在之前关于RAG技术的文章中有介绍过知识库与检索增强的关系；也简单介绍了RAG的使用场景。而RAG和向量数据库的实现原理，以及怎么选择向量数据库，是在智能客服，推荐系统等领域必须要解决的一个问题。RAG与向量数据库先来回答第一个问题， 什么是检索增强——RAG？
RAG 实践-Ollama+AnythingLLM 搭建本地知识库
2401_84495872的博客
06-12 1998
RAG，即检索增强生成（Retrieval-Augmented Generation），是一种先进的自然语言处理技术架构，它旨在克服传统大型语言模型（LLMs）在处理开放域问题时的信息容量限制和时效性不足。RAG的核心机制融合了信息检索系统的精确性和语言模型的强大生成能力，为基于自然语言的任务提供了更为灵活和精准的解决方案。
RAG与知识库搭建
热门推荐
lovely_yoshino的博客
06-11 1万+
自从发现可以利用自有数据来增强大语言模型（LLM）的能力以来，如何将 LLM 的通用知识与个人数据有效结合一直是热门话题。关于使用微调（fine-tuning）还是检索增强生成（RAG）来实现这一目标的讨论持续不断。检索增强生成 (RAG) 是一种使用来自私有或专有数据源的信息来辅助文本生成的技术。它将检索模型（设计用于搜索大型数据集或知识库）和生成模型（例如大型语言模型 (LLM)，此类模型会使用检索到的信息生成可供阅读的文本回复）结合在一起。
本地知识库RAG总结
年轻即出发，
03-14 1900
第一，自己从0开始实现RAG，优点是灵活度高，可以定制，召回有保证，缺点是工作量大。3、融入“知识图谱”技术，将文档中的实体和属性形成可解释的知识图谱，在检索的时候，通过问题中语义实体或关系，基于知识图谱库获取和该问题推理相关的上下文（事实或逻辑），让大模型按照可解释的推理过程进行问题的分解和答案生成。首先通过模型进行关键词抽取，这里可以通过传统的nlp技术进行分词，也可以通过大模型进行分词，然后进行关键词按照同义词做扩充，找到关键词的候选列表，最好根据关键词候选列表调用explore方法召回局部子图。
如何构建本地RAG知识库的知识图谱
03-24
<think>嗯，用户想了解如何构建本地RAG知识库的知识图谱。首先，我需要明确RAG和知识图谱的关系。RAG是检索增强生成，结合了检索和生成模型，而知识图谱则是结构化的数据表示方式，用实体和关系来组织信息。用户可能希望将两者结合，提升本地知识库的查询效率和生成质量。 首先，我得回忆一下构建知识图谱的基本步骤，可能包括数据收集、处理、实体识别、关系抽取、存储等。但结合到RAG的话，可能需要考虑如何将知识图谱集成到RAG的流程中，比如在检索阶段利用图谱的结构化信息来增强检索效果。 接下来，用户提到的是“本地”RAG知识库，所以需要注意本地环境的资源限制，比如数据量、计算能力。可能需要推荐一些轻量级的工具，比如Neo4j的社区版，或者使用Python的库如spaCy进行实体识别。 然后，步骤分解。首先数据准备，可能需要处理各种格式的文档，如PDF、Word、文本等。然后信息抽取，这一步是关键，需要用NLP技术提取实体和关系。存储部分，图数据库的选择和设计很重要，要确保能够高效查询。之后与RAG集成，可能需要将知识图谱的信息作为检索的一部分，或者用于生成时的上下文增强。 用户可能遇到的难点是在信息抽取阶段，特别是关系抽取的准确性。这里可能需要用到预训练模型，比如BERT，或者使用现有的工具如Stanford NLP库。另外，知识图谱的更新和维护也是一个问题，需要考虑如何自动化或半自动化地处理新数据。 还要考虑评估和优化，比如如何测试知识图谱对RAG效果的影响，可能需要设计一些实验对比有无知识图谱时的生成质量。同时，性能优化方面，比如图数据库的索引优化，查询语句的优化等。 用户可能没有明确提到的需求包括数据隐私和安全性，因为是本地部署，这点可能很重要。需要确保数据处理和存储符合隐私要求，特别是在处理敏感信息时。 总结下来，回答的结构应该分步骤，每个步骤详细说明方法和工具，同时指出可能的挑战和解决方案。需要保持语言清晰，技术细节适当，不过于晦涩，让用户能一步步跟着操作。同时推荐一些具体的工具和框架，帮助用户实际实施。</think>构建本地RAG知识库的知识图谱可分为以下步骤，需结合数据处理、知识抽取和图谱存储技术： ### 一、数据准备阶段 1. **数据采集** - 本地文档：整理PDF、Word、TXT等格式文件 $$ \text{数据源} = \{D_1, D_2, ..., D_n\} \quad \text{其中} D_i \in \{\text{文档集合}\} $$ - 结构化数据：导入数据库表格、CSV等 2. **文本预处理** - 清洗：去除特殊符号、停用词 - 分句：使用NLP工具（如spaCy）切分语义单元 - 向量化：通过Embedding模型（如BERT）生成文本向量 ### 二、知识抽取 1. **实体识别** - 工具选择：Stanford NER、spaCy或训练BiLSTM-CRF模型 $$ P(e|s) = \prod_{t=1}^T P(e_t|s_t) $$ - 实体类型：人物、地点、事件等自定义类别 2. **关系抽取** - 规则匹配：基于依存句法分析构建模式 - 深度学习：使用预训练模型（REBEL、OpenIE） - 三元组生成：形成（头实体，关系，尾实体）结构 ### 三、图谱构建 1. **图数据库选型** - Neo4j（Cypher查询语言） - JanusGraph（分布式架构） - NebulaGraph（高性能场景） 2. **模式设计** ```cypher CREATE (e1:Entity {name:'AI'})-[:SUBCLASS_OF]->(e2:Entity {name:'Technology'}) ``` 3. **数据导入** - 批量导入：使用APOC工具导入CSV - 增量更新：设置定时ETL流程 ### 四、RAG集成 1. **检索增强** - 将知识图谱作为检索源 - 混合查询：结合向量检索和图遍历 $$ \text{Score} = \alpha \cdot \text{BM25} + \beta \cdot \text{GraphRel} $$ 2. **生成优化** - 将图谱路径作为prompt上下文 - 使用GNN增强生成模型的知识感知能力 ### 五、实践建议 1. **工具链推荐** - 轻量级方案：spaCy + NetworkX + FAISS - 企业级方案：Apache Jena + TensorFlow GNN + Milvus 2. **常见问题处理** - 歧义消解：建立实体消歧规则库 - 数据冲突：设计版本控制机制 - 性能优化：对高频查询建立子图索引 3. **评估指标** - 图谱质量：F1值、关系准确率 - 检索效果：MRR@10、NDCG@5 - 生成质量：ROUGE、BLEU评分 ### 六、典型应用场景 1. 企业文档智能问答 2. 科研文献关联发现 3. 法律案例推理系统 需注意：知识图谱构建需持续迭代，建议初期聚焦核心实体关系，逐步扩展覆盖范围。实际部署时建议配合日志分析模块，持续监控知识盲区。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值