轻云听书app
17.87MB · 2025-10-15
现代 AI 聊天机器人常常依赖 Retrieval-Augmented Generation (RAG) ，也就是检索增强生成技术。这种技术让机器人能从外部数据中提取真实信息来支撑回答。如果你用过“与你的文档聊天”之类的工具，你就见过 RAG 的实际应用：系统会从文档中找到相关片段，喂给大语言模型（LLM），让它能用准确的信息回答你的问题。
RAG 大大提升了 LLM 回答的事实准确性。不过，传统 RAG 系统大多把知识看成一堆互不关联的文本片段。LLM 拿到几段相关内容后，得自己把它们拼凑起来回答。这种方式对简单问题还行，但遇到需要跨多个来源串联信息的复杂查询，效果就不理想了。
这篇文章会深入浅出地解释两个能让聊天机器人更上一层楼的概念：ontologies（本体论） 和 knowledge graphs（知识图谱） ，以及它们如何与 RAG 结合，形成 GraphRAG（基于图的检索增强生成） 。我们会用简单的语言说明它们是什么，为什么重要。
为什么这很重要？你可能会问。因为 GraphRAG 能让聊天机器人的回答更准确、更贴合上下文、更有洞察力，比传统 RAG 强多了。企业在探索 AI 解决方案时很看重这些特质——一个真正理解上下文、避免错误、能处理复杂问题的 AI 可以彻底改变游戏规则。（不过，这需要完美的实现，实际中往往没那么理想。）
通过把非结构化文本和结构化的知识图谱结合起来，GraphRAG 系统能提供感觉上更“有学问”的回答。把知识图谱和 LLM 结合起来，是让 AI 不仅能检索信息，还能真正理解信息的关键一步。
Retrieval-Augmented Generation，简称 RAG，是一种通过外部知识来增强语言模型回答的技术。RAG 系统不是仅靠模型记忆里的东西（可能过时或不完整）来回答，而是会从外部来源（比如文档、数据库或网络）抓取相关信息，喂给模型来帮助生成答案。
简单来说，RAG = LLM + 搜索引擎：模型先检索支持数据，增强对主题的理解，然后结合内置知识和检索到的信息生成回答。
如上图所示，典型的 RAG 流程包含几个步骤，就像一个智能查找过程：
RAG 让 LLM 在现实场景中变得更实用。像 Bing Chat 或各种文档问答机器人就是靠 RAG 提供最新、具体的答案，还能附上参考资料。通过用检索到的文本来“锚定”回答，RAG 减少了 hallucinations（模型瞎编） ，还能访问超出 AI 训练截止日期的信息。不过，传统 RAG 也有一些明显的局限：
在实际中，对于简单的事实查询，比如“这家公司什么时候成立的？”，传统 RAG 表现很好。但对于复杂问题，比如“比较第一季度销售和营销支出的趋势，并找出相关性”，传统 RAG 就可能掉链子。它可能返回一段关于销售的文本，另一段关于营销的，但逻辑整合得靠 LLM 自己来，可能不一定能连贯成功。
这些局限性指向一个机会。如果我们不只是给 AI 一堆文档，而是再给它一个 knowledge graph（知识图谱） ，也就是实体和它们关系的网络，作为推理的框架呢？如果 RAG 检索不只是基于相似性返回文本，而是返回一组相互关联的事实，AI 就能顺着这些联系生成更有洞察力的回答。
GraphRAG 就是把基于图的知识整合进 RAG 流程。通过这样做，我们希望解决上面提到的多来源、歧义和推理问题。
在深入 GraphRAG 的工作原理之前，我们先搞清楚 knowledge graphs（知识图谱） 和 ontologies（本体论） 是什么——它们是这种方法的基础。
知识图谱 是一种对现实世界知识的网络化表示，图中的每个 node（节点） 代表一个实体，每条 edge（边） 代表实体间的关系。
如上图所示，知识图谱以图的形式组织数据，而不是表格或孤立的文档。这意味着信息天然就捕捉了联系。一些关键特点：
知识图谱通常存储在专门的 graph databases（图数据库） 或 triplestores（三元存储） 中。这些系统专为存储节点和边、运行图查询而优化。
知识图谱的结构对 AI 系统（尤其在 RAG 场景中）是个大加分项。因为事实是相互关联的，LLM 能拿到一整个相关信息的网络，而不是孤立的片段。这意味着：
总结来说，知识图谱为 AI 的上下文注入了意义。它不是把数据当一堆词袋处理，而是当作一个知识网络。这正是我们希望 AI 在回答复杂问题时拥有的：一个可以导航的、丰富的关联上下文，而不是每次都要硬解析一堆文档。
现在我们了解了知识图谱是什么，以及它如何助力 AI 系统，接下来看看 ontologies（本体论） 是什么，以及它们如何帮助构建更好的知识图谱。
在知识系统的语境中，ontology（本体论） 是一个特定领域的知识的正式规范。它定义了该领域中存在的实体（或概念）以及这些实体之间的关系。
本体论通常将概念组织成层级或分类体系，但也可能包含逻辑约束或规则。比如，可以声明“每个订单必须至少包含一个产品项目”。
为什么本体论重要？你可能会问。本体论为一个领域提供了共享的理解，这在整合多个来源的数据或构建需要推理该领域的 AI 系统时特别有用。通过定义一组通用的实体类型和关系，本体论确保不同团队或系统用一致的方式指代事物。比如，如果一个数据集把人叫“Client”，另一个叫“Customer”，通过映射到同一个本体论类（比如 Customer 作为 Person 的子类），就能无缝合并这些数据。
在 AI 和 GraphRAG 的语境中，本体论是知识图谱的蓝图——它决定了图中会有哪些节点和链接。这对复杂推理至关重要。如果你的聊天机器人知道在你的应用中“Amazon”是一个 Company（公司） （而不是河流），而 Company 在本体论中有定义（包含 headquarters、CEO 等属性，以及 hasSubsidiary 等关系），它就能更精确地锚定答案。
现在我们了解了知识图谱和本体论，来看看如何把它们整合进类似 RAG 的流程中。
GraphRAG 是传统 RAG 的进化版，它明确将知识图谱纳入检索过程。在 GraphRAG 中，用户提问时，系统不只是对文本做向量相似性搜索，还会查询知识图谱中相关的实体和关系。
我们来高层次地走一遍典型的 GraphRAG 流程：
在底层，GraphRAG 可以用多种策略整合图查询。系统可能先做常规的语义搜索，找 top-K 文本块，然后遍历这些块的图邻居以收集额外上下文，再生成答案。这确保了即使相关信息分散在不同文档中，图也能把它们拉到一起。在实际中，GraphRAG 可能涉及额外步骤，比如 entity disambiguation（实体消歧） （确保问题中的“Apple”链接到正确的节点，可能是公司或水果）和图遍历算法来扩展上下文。但总体思路如上：搜索 + 图查询，而不只是搜索。
对非技术读者来说，你可以把 GraphRAG 想象成给 AI 增加了一个“类脑”知识网络，除了文档库之外。AI 不再孤立地读每本书（文档），而是有一本事实及其关联的百科全书。对技术读者来说，你可以想象一个架构，里面既有向量索引又有图数据库，两者协同工作——一个检索原始段落，另一个检索结构化事实，都喂进 LLM 的上下文窗口。
构建支持 GraphRAG 系统的知识图谱有两种主要方法：Top-Down（自上而下） 和 Bottom-Up（自下而上） 。它们不完全互斥（通常会混用），但区分它们有助于理解。
自上而下的方法从定义领域的本体论开始，由领域专家或行业标准建立类、关系和规则。这个模式加载到图数据库中作为空的框架，指导数据提取和组织，相当于一个蓝图。
一旦本体论（模式）就位，接下来是用真实数据填充它。有几种子方法：
关键在于，自上而下的方法中，本体论在每一步都起到指导作用。它告诉提取算法要找什么，确保输入的数据符合一个连贯的模型。
使用正式本体论的一大优势是你可以利用 reasoners（推理器） 和 validators（验证器） 保持知识图谱一致性。本体论推理器可以自动推断新事实或检查逻辑矛盾，而像 SHACL 这样的工具可以强制执行数据形状规则（类似更丰富的数据库模式）。这些检查能防止矛盾事实，并通过自动推导关系丰富图。在 GraphRAG 中，这意味着即使多跳连接不明确，本体论也能帮助推导出来。
自下而上的方法直接从数据生成知识图谱，不依赖预定义的模式。NLP 和 LLM 的进步让从非结构化文本中提取结构化三元组成为可能，这些三元组随后被输入图数据库，实体成为节点，关系成为边。
在底层，自下而上的提取可以结合传统 NLP 和现代 LLM：
有像 spaCy 或 Flair 这样的传统方法库，也有整合 LLM 调用的新库用于 IE（信息提取） 。另外，像 ChatGPT 插件 或 LangChain 代理 这样的技术可以设置来填充图：代理可以逐个读取文档，找到事实时调用“图插入”工具。另一个有趣的策略是用 LLM 通过读取文档样本建议模式（这有点像本体论生成，但自下而上）。
自下而上提取的一个大问题是，LLM 可能不完美，甚至会“创造性”输出。它们可能瞎编一个不存在的关系，或错误标记一个实体。因此，验证很重要：
这个过程通常是迭代的。你运行提取，找到错误或缺失，调整提示或过滤器，再运行一次。久而久之，这能大幅提高知识图谱的质量。好消息是，即使有些错误，知识图谱对很多查询仍然有用——你可以优先清理对用例最重要的部分。
最后，记住，发送文本进行提取会将你的数据暴露给 LLM/服务，所以要确保符合隐私和保留要求。
构建 GraphRAG 系统听起来可能有点复杂，你得管理向量数据库、图数据库、运行 LLM 提取流程等。好消息是，社区正在开发工具让这事变得更简单。我们来简单提一些工具和框架，以及它们的作用。
首先，你需要一个地方存储和查询知识图谱。传统的图数据库如 Neo4j、Amazon Neptune、TigerGraph 或 RDF triplestores（如 GraphDB 或 Stardog）是常见选择。
这些数据库专为我们讨论的操作优化：
在 GraphRAG 设置中，检索流程可以用这些查询来获取相关的子图。一些向量数据库（像 Milvus 或带 Graph 插件的 Elasticsearch）也开始整合类图查询，但通常专用图数据库提供最丰富的功能。重要的是，你的图存储要能高效检索直接邻居和多跳邻居，因为复杂问题可能需要抓取整个事实网络。
一些新工具正在将图与 LLM 结合：
重点是，如果你想尝试 GraphRAG，不用从零开始。你可以：
总之，虽然 GraphRAG 处于前沿，但周边生态正在快速成长。你可以利用这些库和服务快速搭建原型，然后迭代优化知识图谱和提示。
传统 RAG 适合简单的事实查询，但在需要深入推理、准确性或多步回答的查询上会吃力。这时 GraphRAG 就大显身手了。通过结合文档和知识图谱，它用结构化事实锚定回答，减少 hallucinations（瞎编） ，支持多跳推理，让 AI 能以标准 RAG 无法做到的方式连接和综合信息。
当然，这种能力也有代价。构建和维护知识图谱需要模式设计、提取、更新和基础设施开销。对于简单用例，传统 RAG 仍是更简单高效的选择。但当需要更丰富的回答、一致性或 explainability（可解释性） 时，GraphRAG 的优势显而易见。
展望未来，知识增强的 AI 正在快速发展。未来平台可能直接从文档自动生成图，LLM 直接在图上推理。对于像 GoodData 这样的公司，GraphRAG 将 AI 与分析结合，带来超越“发生了什么”到“为什么发生”的洞察。
最终，GraphRAG 让我们更接近于不仅能检索事实，还能真正理解和推理事实的 AI，就像人类分析师，但规模和速度更大。虽然这条路有复杂性，但目标（更准确、可解释、更有洞察力的 AI）绝对值得投资。关键不仅在于收集事实，而在于连接它们。
如果你想更深入地学习大模型，以下是一些非常有价值的学习资源，这些资源将帮助你从不同角度学习大模型，提升你的实践能力。
