星云实验室 part 1｜用知识图谱 + GraphRAG, 构建垂直领域 AI 应用

导读：

如何提升 RAG 的效果？如何把 NebulaGraph 和大模型相结合？我们将用五期「星云实验室」，手把手教大家围绕知识图谱 + GraphRAG, 从 0 到 1 搭建一款垂直领域 AI 应用。

重点速览：

• 搭建 AI 环境

• 部署 NebulaGraph 图数据库

本文首发于 「NebulaGraph 技术社区」，更多产品资讯请访问「NebulaGraph 官网」

一、背景

“怎样提升 RAG 的效果？”、“为什么我做的 RAG 那么差？”、“检索不全啊，答非所问，怎么办？”......

从前端查询，到最后大模型的回答，其中的整个链路，充满变数与选择，传统意义的 RAG 非常容易做出来，但是能交付的，非常考究设计，而知识图谱便是重要一环。

知识图谱可以在一定程度上增强 RAG ：

（一）找到的就是相关的

相似，不等于相关，比如我们做医疗 RAG 项目，心绞痛 ≠ 胆绞痛，二者虽有 2 个字相同，但是两个名词是完全不同概念。通过知识图谱查到的信息，找到的索引，它背后会通过相关的边，连接在一起。给大模型参照的信息中，还连带上多个节点形成的背景。

（二）提升巨量数据检索性能

面对巨量的数据，大概到千万 tokens，系统陷入困惑，性能开始下降。因为相似的 tokens 太多了，无法定位到文本块，当然，通过多种的处理策略：文本块标签、查询扩写编排等手段可以解决问题，但做过的朋友就知道，这有多烦 Orz

知识图谱在数据处理层面，每个命中的节点背后，跟的是对应的问题，甚至你可以通俗理解：知识图谱是一个大文本块的节点集合，是