视频加载失败

RAG初识

1071 字
5 分钟
RAG初识

一、大语言模型的局限性#

通过RAG弥补大模型的缺陷

大模型的幻觉问题#

幻觉是指语言模型生成的看似合理却错误的陈述。 即使面对看似简单的问题,幻觉也可能以出人意料的方式出现。

知识时效性滞后且没有企业私有知识#

训练截止于过去

模型知识停留在训练截止日,无法回答最新信息(如实时新闻、今日视频推荐等任务)。

二、RAG介绍#

RAG检索增强生成技术是如何运作的

RAG#

Retrieval-Augmented Generation,检索增强生成。

RAG是一种将信息检索与文本生成相结合的技术架构。

它允许大模型在回答问题时,先从外部知识库中检索相关信息,然后基于这些信息生成准确、可靠的回答。

三、RAG的应用场景#

在企业内部如何使用RAG提升效率

3-1 大模型与图数据库结合的企业知识库#

核心互补价值

大模型与图数据库并非简单叠加,而是形成能力互补的协同体系:

  • ‌大模型‌:作为“语义理解与表达引擎”,负责自然语言解析、非结构化文档信息抽取、结构化知识转自然语言生成,解决传统系统交互生硬、语义理解差的问题。

  • ‌图数据库‌:作为“事实与逻辑底座”,以节点(实体)、边(关系)、属性的图结构存储企业知识,天然适配网状关联数据,擅长多层关系查询、路径挖掘,为大模型提供确定性事实约束,从根源上减少幻觉。

二者结合后,既保留大模型的自然交互优势,又补上纯向量RAG无法处理关联推理的短板,比如可直接回答“参与A项目的员工负责了哪些相关合同”这类多跳关联问题,不会像纯向量检索那样只能返回零散文本片段。

3-2 大模型结合金融知识图谱快速掌握企业经营变化#

信息提取与情感分析:我们利用大模型对财报、用户经营数据、图片等非结构化数据进行信息提取,并通过持续的用户对话进行情感分析,识别用户的具体诉求。

知识图谱与图计算:通过大模型提取的关键信息构建了金融知识图谱。掌握小微企业的经营变化和行业信息背景深入了解。

四、高级RAG技术#

GraphRAG 与 Agentic RAG 技术介绍

GraphRAG 与 Agentic RAG 是传统RAG技术的两大主流进阶方向,二者从不同维度突破了纯向量检索的能力边界,分别解决复杂知识关联推理和动态自主检索的核心痛点,是当前企业级知识库落地的主流技术选型。

对比维度GraphRAGAgentic RAG
核心思路把知识组织为图结构,解决关系推理问题控制检索流程,解决“何时查、怎么查、查多少次”的决策问题
索引方式实体-关系知识图谱 + 图遍历向量索引 + 智能体循环调度
典型查询“哪些合同包含与供应商X相同的条款”“对比三家供应商在合同、邮件和ERP中的所有数据差异”
构建成本集中在前期知识图谱构建与维护集中在检索层智能体编排与代理逻辑开发
查询延迟索引构建耗时久,查询时速度快单次查询需多轮代理交互,延迟10~30秒以上

RAG系统的局限性#

尽管强大,RAG也面临诸多挑战。

主要问题是答案所需信息可能分散在多个块或文档中,检索器难以获取完整上下文,导致答案不准确或不完整。

系统效果高度依赖分块和检索质量,若检索到无关块则会引入噪声,干扰LLM。如何有效整合可能矛盾的信息也是难题。

支持与分享

如果这篇文章对你有帮助,欢迎分享给更多人或打赏支持!

打赏
RAG初识
https://gaodaxiu-blog.netlify.app/posts/guide/6rag初识/
作者
MuZhao
发布于
2026-10-20
许可协议
CC BY-NC-SA 4.0
Profile Image of the Author
MuZhao
Hello, I'm GaoDaXiu.
公告
欢迎来到我的博客!
分类
标签
最新动态
站点统计
文章
124
分类
25
标签
147
总字数
180,592
运行时长
0 天
最后活动
0 天前
站点信息
构建平台
Netlify CI
博客版本
Firefly v6.16.8
文章许可
CC BY-NC-SA 4.0
文章目录