1. RAG
检索增强生成（Retrieval-Augmented Generation，简称 RAG）通过结合大型语言模型（LLM）和信息检索系统来提高生成文本的准确性和相关性。这种方法允许模型在生成回答之前，先从权威知识库中检索相关信息，从而确保输出内容的时效性和专业性，无需对模型本身进行重新训练。
RAG技术之所以重要，是因为它解决了LLM面临的一些关键挑战，例如虚假信息的提供、过时信息的生成、非权威来源的依赖以及由于术语混淆导致的不准确响应。通过引入RAG，可以从权威且预先确定的知识来源中检索信息，增强了对生成文本的控制，同时提高了用户对AI解决方案的信任度。
2. 知识图谱
知识图谱（Knowledge Graph）是一种结构化的语义知识库，它旨在存储与现实世界实体（如人、地点、组织、事件等）相关的信息，并描述这些实体之间的各种关系。知识图谱通常用于增强搜索引擎的功能，提供更丰富的搜索结果，以及在各种人工智能应用中改善数据的语义理解。
知识图谱的核心组成部分包括：
- 实体（Entities）：
实体是知识图谱中的基本单位，代表现实世界中的对象或概念，如"埃菲尔铁塔"、"纽约"或"苹果公司"。
- 关系（Relations）：
关系描述了实体之间的语义联系，例如"位于"、"创始人"或"主演"。这些关系使得知识图谱能够表达复杂的事实，如"埃菲尔铁塔位于巴黎"。
- 属性（Attributes）：
实体通常具有一系列的属性，这些属性提供了关于实体的额外信息，如"埃菲尔铁塔"的高度或建造年份。
3. Knowledge Graph+RAG
在RAG（Retrieval-Augmented Generation）框架中，我们将文档切成小段（chunk），然后通过检索模块找到与查询相关的文档片段。这种方法可以提高生成文本的准确性和相关性，同时保持生成文本的时效性和专业性。
然而，在实际文本中，chunk与chunk之间是存在关联的，而RAG技术并未充分考虑到这种关联性。为了解决这一问题，我们可以引入知识图谱，将文档中的chunk之间的关系表示为图结构。在检索时，不仅可以找到与查询相关的文档片段，还可以根据知识图谱中的关系找到与查询相关的chunk之间的关联信息。
在每一个实体上，存储了该chunk的信息；在每一个关系上，存储了chunk之间的关系信息。
在进行检索时，我们可以根据语义找到若干个相关实体，对于每个实体，我们还可以遍历到其他相关实体。即使某个实体没有被语义检索直接召回，我们也能通过关联关系将其返回。这种方法有效避免了在文档切分过程中可能出现的信息丢失问题。
通过这种方式，RAG框架不仅提高了检索的准确性和相关性，还增强了对文档内部复杂关系的理解，使生成的文本更加连贯和专业。
4. 误区
在使用RAG+Knowledge Graph的时候，我们需要注意以下几个误区：
- 不是直接复用之前的Knowledge Graph，而是需要根据具体的任务重新构建知识图谱；
- Knowledge Graph的的构建不是生成传统意义上的实体关系图，而是借用了图数据库的思想，将文档中的chunk之间的关系表示为图结构；
参考
1\] [deeplearning.ai](https://www.deeplearning.ai/short-courses/knowledge-graphs-rag/) ### 欢迎关注我的GitHub和微信公众号，来不及解释了，快上船！ [GitHub: LLMForEverybody](https://github.com/luhengshiwo/LLMForEverybody) 仓库上有原始的Markdown文件，完全开源，欢迎大家Star和Fork！ 