一文搞懂大模型的RAG（知识库和知识图谱）

原创于 2026-01-08 14:34:33 发布 · 809 阅读

CC 4.0 BY-SA版权

文章标签：

#知识图谱 #人工智能 #自然语言处理 #chatgpt #langchain #embedding #LLM

RAG（Retrieval-Augmented Generation，检索增强生成）是一种将检索与生成协同结合的技术。当大模型（如DeepSeek、Qwen、GPT）需要生成文本时，会先从外部知识库中检索相关信息，再基于检索到的内容生成答案。

在知识库的构建过程中，RAG通过向量数据库和动态更新机制，实现了高效的知识检索与内容生成；而在知识图谱的构建中，RAG则借助GraphRAG、Graphusion等框架，实现了实体关系的精准抽取与图谱的深度融合。

一、RAG

RAG（Retrieval-Augmented Generation，检索增强生成）是什么？RAG是一种结合信息检索与文本生成的人工智能技术，旨在通过引入外部知识库，解决大语言模型的幻觉问题。

RAG的核心目标是让大语言模型（LLM）在回答问题时不再仅依赖训练时的固化知识，而是动态检索最新或特定领域的资料来辅助生成答案。

RAG结合了信息检索与生成模型，通过以下三阶段工作：

检索：从外部知识库（如文档、数据库）中搜索与问题相关的信息。
增强：将检索结果作为上下文输入，辅助生成模型理解问题背景。
生成：基于检索内容和模型自身知识，生成连贯、准确的回答。****

Prompt + RAG 如何实战？结合 Prompt 工程与 RAG（检索增强生成）的实战应用需围绕数据准备、检索优化、生成控制等环节展开。

一、数据准备与向量化

文档预处理与分块

文档预处理通过多模态数据清洗、词形还原与依存句法分析实现文本规范化；分块环节采用递归分割与语义边界识别技术，结合知识图谱关联优化，构建动态重叠的上下文连贯单元，以平衡检索效率与信息完整性。

# 依赖安装：pip install langchain langchain-text-splitters
from langchain_text_splitters import RecursiveCharacterTextSplitter
# 示例长文本（替换为实际文本）
text = """自然语言处理（NLP）是人工智能领域的重要分支，涉及文本分析、机器翻译和情感分析等任务。分块技术可将长文本拆分为逻辑连贯的语义单元，便于后续处理。"""
# 初始化递归分块器（块大小300字符，重叠50字符保持上下文）
text_splitter = RecursiveCharacterTextSplitter(
chunk_size=300,
chunk_overlap=50,
separators=["\n\n", "\n", "。", "！", "？"]  # 优先按段落/句子分界[2,4](@ref)
)
# 执行分块
chunks = text_splitter.split_text(text)
# 打印分块结果
for i, chunk in enumerate(chunks):
print(f"Chunk {i+1}:\n{chunk}\n{'-'*50}")

向量化与存储

向量化通过Embedding模型将非结构化数据（文本、图像等）映射为高维语义向量，存储则依托专用向量数据库（如ElasticSearch的dense_vector字段、Milvus）构建高效索引（HNSW、FAISS），支持近似最近邻搜索（ANN）实现大规模向量数据的快速相似性匹配。

# 依赖安装：pip install sentence-transformers faiss-cpu
from sentence_transformers import SentenceTransformer
from langchain_community.vectorstores import FAISS
# 1. 文本向量化（使用MiniLM-L6预训练模型）
model = SentenceTransformer('paraphrase-MiniLM-L6-v2')
embeddings = model.encode(chunks)
# 2. 向量存储到FAISS索引库
vector_db = FAISS.from_texts(
texts=chunks,
embedding=embeddings,
metadatas=[{"source": "web_data"}] * len(chunks)  # 可添加元数据
)
# 保存索引到本地
vector_db.save_local("my_vector_db")
# 示例查询：检索相似文本
query = "什么是自然语言处理？"
query_embedding = model.encode([query])
scores, indices = vector_db.similarity_search_with_score(query_embedding, k=3)
print(f"Top 3相似块：{indices}")

二、检索优化技术

通过多路召回（如混合检索、HyDE改写、动态重排）提升查全率与排序质量，并利用上下文增强（知识图谱补充关系、指令级RAG动态生成Prompt）优化检索结果。

三、Prompt 工程实践