RAG进阶：混合稠密检索和知识图谱来提升精度

HuixiangDou 是群聊场景的 LLM 知识助手。群里人多口杂，机器人显然不应该答复所有消息，它的设计规则为：

• 无关内容不吭声——拒答

• 明确该答的，直接回复——检索

• 不能违反核心价值观——可靠

https://github.com/InternLM/HuixiangDou（觉得好用欢迎 star）

在上一篇文章中，我们用真实群聊数据测试，对比不同方法和调参，最终拒答 F1 score 达到 75.88。

本文介绍如何混用知识图谱和稠密检索，把 F1 进一步提升到 77.57。

以下是目前所有方法对比：

方法	F1 score	备注
BCE+KG混合（本文）	77.57	KG 权重约 20%
BCE	75.88	需配合特定 splitter