三、检索增强生成（RAG）技术体系

检索增强生成（RAG）是解决大模型"知识过时、事实幻觉、逻辑错误"三大核心问题的关键技术，其核心逻辑是"生成前先检索"------在模型生成回答前，从外部知识库（如文档、数据库、知识图谱）中检索与问题相关的信息，将这些信息作为"上下文"输入模型，辅助生成更准确、可靠的内容。RAG技术体系主要分为"核心技术框架"和"基础组件"两部分，前者定义了RAG的整体流程与代表性模型，后者则是支撑RAG落地的关键模块（表示学习、检索模型、知识图谱等）。

3.1 RAG核心技术框架

RAG的核心是"检索与生成的协同"，通过将外部知识动态引入生成过程，弥补大模型自身知识的局限性。其技术框架经历了从"独立检索-生成"到"端到端联合优化"的演进，代表性模型（REALM、KNN-LM、FLARE、IRCOT）分别在不同阶段推动了RAG的发展。

3.1.1 RAG技术（Retrieval-Augmented Generation）核心定义与流程

• 定义：一种融合"信息检索"与"文本生成"的技术，通过在生成阶段引入外部检索到的相关知识片段，提升生成内容的准确性、时效性和可信度，同时减少模型幻觉（生成虚假信息）。

• 核心解决的问题 ：

  1. 知识过时：大模型的训练数据有时间窗口（如GPT-4训练数据截止2023年4月），无法回答最新事件（如2024年奥运会冠军），RAG可通过检索实时数据补充。
  2. 事实幻觉：大模型可能生成看似合理但错误的信息（如"爱因斯坦发明了电灯"），RAG通过引用检索到的权威文档验证事实。
  3. 专业知识不足：大模型在垂直领域（如医学、法律）的专业知识有限，RAG可检索领域知识库（如医学论文）辅助回答。

• 经典工作流程（三阶段） ：

  graph TD A[用户问题输入] --> B[检索阶段：从外部知识库检索相关知识片段] B --> C[融合阶段：将问题与检索到的知识片段拼接为Prompt] C --> D[生成阶段：大模型基于融合后的Prompt生成回答]
  1. 检索阶段：接收用户问题（如"2024年诺贝尔物理学奖得主是谁？"），通过检索模型从外部知识库（如新闻网站、学术数据库）中找到相关知识片段（如"2024年诺贝尔物理学奖授予XX团队，表彰其在量子计算领域的贡献"）。
  2. 融合阶段：将问题与检索到的知识片段按固定格式拼接（如"根据以下信息回答问题：[知识片段] 问题：2024年诺贝尔物理学奖得主是谁？"），形成模型可理解的输入Prompt。
  3. 生成阶段：大模型（如GPT-3.5、LLaMA）基于融合后的Prompt生成回答，同时可引用检索到的知识片段作为依据（如"根据2024年诺贝尔委员会公告，得主为XX团队..."）。

• 技术分类 ：

  • 开放域RAG：知识库覆盖广泛领域（如互联网文档），用于通用问答（如"世界上最高的山峰是哪座？"）。
  • 闭域RAG：知识库限定在特定领域/私有数据（如企业内部文档、医疗病例），用于垂直场景（如"某公司2023年营收是多少？"）。

3.1.2 RAG代表性关联模型

RAG技术的发展依赖于"检索与生成如何协同优化"的创新，以下四个代表性模型分别在"检索触发机制""端到端训练""长文本处理""多轮对话适配"等方向做出了关键突破。

REALM（Retrieval-Augmented Language Model Pre-training）

• 核心定位：首个实现"检索增强预训练"的端到端模型，将检索模块融入预训练阶段，而非仅在微调阶段使用，奠定了现代RAG的基础（Google 2020年提出）。
• 核心创新 ："预训练时即检索"
  • 传统RAG仅在下游任务（如问答）中检索，REALM在预训练阶段就引入检索模块：每次预训练的"下一词预测"任务前，先从外部知识库（如Wikipedia）检索与当前文本相关的知识片段，再结合这些片段进行预测。
  • 例如：预训练时处理"爱因斯坦因____获得诺贝尔奖"，先检索"爱因斯坦 诺贝尔奖"相关知识片段（"爱因斯坦因光电效应获1921年诺贝尔物理学奖"），再基于片段预测[MASK]为"光电效应"。
• 技术原理 ：
  • 采用"检索器（Retriever）+ 阅读器（Reader）"两阶段架构：检索器负责从知识库中召回相关片段，阅读器（基于BERT）负责结合片段和原文本进行预测。
  • 端到端训练：检索器和阅读器通过同一损失函数（下一词预测损失）联合优化，让检索器学会"为预训练任务找有用的知识"。
• 关键贡献 ：
  • 证明了"检索增强预训练"的有效性：REALM在常识问答（常识QA）、实体链接等任务上的性能远超传统预训练模型（如BERT）。
  • 推动RAG从"任务微调阶段的工具"升级为"预训练阶段的核心组件"。

KNN-LM（K-Nearest Neighbor Language Model）

• 核心定位：用"K近邻检索"替代部分模型参数存储知识，实现"知识动态更新"的轻量级RAG模型（Facebook AI 2019年提出）。
• 核心创新 ："参数知识+非参数知识结合"
  • 传统语言模型的知识全部存储在参数中（参数知识），更新知识需重新训练；KNN-LM将部分知识存储在外部"键值对数据库"（非参数知识）中，通过KNN检索动态调用。
  • 例如：生成"李白的代表作是____"时，模型先通过参数预测可能的词，再从数据库中检索"李白 代表作"的近邻片段（如"李白代表作有《静夜思》《蜀道难》"），结合两者结果输出最终答案。
• 技术原理 ：
  • 数据库构建：将预训练数据的"隐藏状态向量"作为"键（Key）"，对应的下一个词作为"值（Value）"，存储在KNN数据库中。
  • 生成时检索：模型每生成一个词，先计算当前隐藏状态与数据库中所有Key的相似度，取Top-K相似的Value，与参数预测的结果加权融合，得到最终预测概率。
• 关键贡献 ：
  • 实现知识的"零训练更新"：只需更新外部数据库（如加入新的历史事件），无需修改模型参数，即可让模型掌握新知识。
  • 降低大模型的存储成本：将部分知识转移到外部数据库，减少模型参数量需求。

FLARE（Forward-Looking Active Retrieval augmented generation）

• 核心定位：解决传统RAG"被动检索"缺陷的"主动检索"模型，让模型学会"预测需要检索的时机"，提升长文本生成的准确性（Salesforce 2022年提出）。
• 核心创新 ："生成中主动决定是否检索"
  • 传统RAG在生成前一次性检索所有相关知识，可能检索到无关信息（冗余）或遗漏后续生成需要的信息（不足）；FLARE让模型在生成过程中"实时判断"是否需要检索------当模型预测到即将生成的内容涉及不确定知识时，主动触发检索。
  • 例如：生成"2024年欧洲杯冠军是____，其核心球员包括____"时，模型先生成"2024年欧洲杯冠军是"，发现需要最新赛事信息，主动检索"2024欧洲杯冠军"，得到"德国队"后继续生成；接着生成"其核心球员包括"，再次检索"德国队 核心球员"，得到"穆西亚拉"后完成生成。
• 技术原理 ：
  • 引入"检索预测器（Retrieval Predictor）"：在生成每一步，预测器判断当前上下文是否需要检索（如当上下文包含"2024年""冠军"等时效性词汇时，触发检索）。
  • 多轮检索-生成循环：检索到知识后，模型结合新信息继续生成，直到完成回答，形成"生成→判断是否检索→检索→继续生成"的循环。
• 关键贡献 ：
  • 提升检索效率：避免无意义的检索，减少计算成本（长文本生成中检索次数减少30%-50%）。
  • 优化长文本生成质量：尤其在文章续写、报告生成等长文本场景，主动检索能确保后续内容的事实准确性。

IRCOT（Iterative Retrieval, Creation, and Optimization for Task-oriented dialogue）

• 核心定位：专为"多轮任务型对话"设计的RAG模型，通过"迭代检索-生成-优化"流程，解决多轮对话中知识动态更新和上下文连贯的问题（Microsoft 2023年提出）。
• 核心创新 ："多轮对话中的迭代检索与内容优化"
  • 传统RAG在单轮问答中表现较好，但多轮对话（如"帮我订一张北京到上海的机票，明天上午的，最好是国航的"）中，知识需求随对话轮次动态变化，且需要保持上下文连贯；IRCOT通过多轮迭代，逐步补充所需知识，并优化生成内容。
  • 例如：用户先问"北京到上海明天上午的国航机票有吗？"，模型检索航班信息后回答；用户接着问"那下午的呢？"，模型基于上一轮对话上下文（北京到上海、国航），仅补充检索"下午航班"信息，无需重新检索所有内容，同时确保回答连贯（"下午的国航航班有14:00和16:30两班..."）。
• 技术原理 ：
  • 三阶段迭代：
    1. 检索阶段：基于对话历史和当前轮次问题，检索相关知识（如航班信息、用户偏好）。
    2. 生成阶段：结合检索知识和对话上下文，生成初步回答。
    3. 优化阶段：判断初步回答是否完整（如是否遗漏航班时间、价格），若不完整则重新检索补充知识，迭代优化回答。
• 关键贡献 ：
  • 适配多轮对话场景：解决传统RAG在对话中"上下文割裂"和"知识重复检索"的问题。
  • 提升任务型对话的实用性：在机票预订、酒店推荐等服务场景，能更精准地满足用户动态需求。

3.2 RAG基础组件

RAG的落地依赖三大核心基础组件：表示学习（Embedding模型） 负责将文本/图像转化为可检索的向量，检索模型体系 负责从知识库中高效召回相关内容，知识图谱提供结构化知识补充非结构化文本检索的不足。三者协同构成RAG的技术底座。

3.2.1 表示学习：Embedding模型

Embedding模型是RAG的"翻译官"，负责将人类可理解的文本（或图像、音频）转化为机器可计算的低维稠密向量（Embedding向量）。向量的相似度直接对应文本语义的相似度------两个向量越相似，对应的文本内容越相关，这是RAG检索阶段的核心依据。

核心作用

• 将非结构化数据（文本、图像）转化为结构化向量，支持高效的相似度计算（如余弦相似度）。
• 确保"问题向量"与"知识库片段向量"在同一语义空间中，让检索器能找到真正相关的内容（如"诺贝尔物理学奖2024"的问题向量，能匹配到"2024诺贝尔物理学奖得主"的文档向量）。

传统词嵌入：Word2vec

• 定义：2013年由Google提出的经典词嵌入模型，通过"上下文预测"将单个词转化为固定维度的向量（如300维），是早期语义表示的基础。
• 技术原理 ：
  • 两种训练方式：
    1. CBOW（Continuous Bag-of-Words）：通过上下文词预测中心词（如用"我""爱""中国"预测中心词"在"）。
    2. Skip-gram：通过中心词预测上下文词（如用"爱"预测"我""中国"）。
  • 核心假设："上下文相似的词，语义相似"（如"猫"和"狗"常出现在"宠物""喂养"等上下文，因此向量相似）。
• 在RAG中的局限性 ：
  • 仅支持单个词的嵌入，无法处理句子/段落级文本（RAG检索的是句子或文档片段，而非单个词）。
  • 无上下文依赖性：同一个词在不同语境下向量相同（如"苹果"在"苹果手机"和"吃苹果"中向量一致，无法区分语义差异）。
• 适用场景：仅适用于简单的关键词匹配检索，现代RAG中已很少直接使用，多作为基础语义表示的参考。

现代稠密Embedding模型（RAG核心选择）

现代模型针对RAG场景优化，支持句子/段落级嵌入，且能捕捉上下文语义差异，是当前RAG的主流选择。

模型名称	核心特点	适用场景	优势	开源情况
Sentence-BERT	基于BERT改造，通过对比学习优化句子嵌入，支持128-768维向量生成	通用文本检索（如新闻、论文）	语义相似度计算准确，推理速度快	开源（Hugging Face）
E5（Embedding Enables Everything）	专为检索任务设计，采用"检索式预训练任务"（如"查询-文档"匹配），检索精度高	专业领域检索（如法律、医疗）	针对检索场景优化，小样本下性能优异	开源（Hugging Face）
bge-base（BAAI General Embedding）	中文支持友好，兼顾检索精度与速度，提供多语言版本	中文场景检索（如中文文档、对话）	中文语义理解准确，模型体积小（1.2GB）	开源（Hugging Face）
CLIP（多模态）	支持图像和文本的统一嵌入，实现"文搜图""图搜文"	多模态RAG（如图文问答）	跨模态语义对齐能力强，适配多模态场景	开源（OpenAI）

• 关键技术特点 ：
  1. 句子级/段落级嵌入：直接处理长文本（如512token的段落），输出单个向量代表整个文本的语义。
  2. 上下文敏感：同一个词在不同语境下向量不同（如"苹果"在"苹果手机"中与"iPhone"向量接近，在"吃苹果"中与"水果"向量接近）。
  3. 对比学习优化：通过"正样本（语义相关的文本对）"和"负样本（语义无关的文本对）"训练，让相关文本的向量距离更近，无关文本更远。
• 在RAG中的应用流程 ：
  1. 知识库Embedding构建：将知识库中的所有文档/片段通过Embedding模型转化为向量，存储到向量数据库（如FAISS、Milvus）中。
  2. 问题Embedding生成：用户问题输入后，用同一Embedding模型转化为向量。
  3. 相似度检索：计算问题向量与知识库中所有向量的余弦相似度，取Top-K相似的向量对应的文档片段，作为检索结果。

3.2.2 检索模型体系

检索模型是RAG的"信息筛选器"，负责从海量知识库中快速找到与问题最相关的内容。根据检索原理的不同，可分为稀疏检索 、稠密检索 、向量检索（工程实现） 和重排序模型四类，实际应用中常组合使用（如"稀疏检索+稠密检索+重排序"）以平衡效率和精度。

稀疏检索模型：TF-IDF、BM25

• 定义：基于"关键词匹配"的检索方法，通过统计文本中关键词的出现频率和重要性，计算问题与文档的相似度，因特征向量（关键词权重）中大部分元素为0（稀疏）而得名。

• 核心原理：

  1. TF-IDF（Term Frequency-Inverse Document Frequency） ：
     • TF（词频）：关键词在当前文档中出现的次数（如"诺贝尔"在某文档中出现5次，TF值高）。
     • IDF（逆文档频率）：关键词在整个知识库中出现的文档比例的倒数（如"诺贝尔"仅在1%的文档中出现，IDF值高；"的"在99%的文档中出现，IDF值低）。
     • 相似度计算：问题与文档的相似度 = 求和（问题中每个词的TF×IDF × 文档中该词的TF×IDF）。
  2. BM25（Best Matching 25）：

  • 改进重点：TF-IDF的改进版本，解决了TF-IDF中"词频过高导致权重无限增大"的问题，引入"词频饱和函数"（当词频超过某个阈值后，权重增长放缓）

  • 核心公式 ：
    BM25(Q,D)=∑t∈QIDF(t)×TF(t,D)×(k1+1)TF(t,D)+k1×(1−b+b×∣D∣avgdl) BM25(Q,D) = \sum_{t \in Q} IDF(t) \times \frac{TF(t,D) \times (k_1+1)}{TF(t,D) + k_1 \times (1 - b + b \times \frac{|D|}{avgdl})} BM25(Q,D)=t∈Q∑IDF(t)×TF(t,D)+k1×(1−b+b×avgdl∣D∣)TF(t,D)×(k1+1)

  • 参数说明：

    参数	含义	作用
    k1k_1k1	词频饱和度参数	控制词频饱和程度，通常取值1.2-2.0
    bbb	长度归一化参数	控制文档长度对权重的影响，通常取值0.75
    DDD	当前文档长度	文档中的词项数量
    avgdlavgdlavgdl	平均文档长度	知识库所有文档的平均长度

• 优势与局限性：

  维度	TF-IDF	BM25（改进版）
  优点	计算简单，速度快，可解释性强（能看到关键词匹配情况）	解决词频饱和问题，检索精度高于TF-IDF
  缺点	词频过高时权重失真，无法捕捉语义相关性（如"手机"和"智能手机"视为无关）	仍依赖关键词匹配，无法处理同义词、语义相关词

• 适用场景：

  • 知识库文档结构清晰、关键词明确的场景（如技术文档、法规条文）。
  • 作为"初步检索"（First-stage Retrieval），快速从海量文档中筛选出候选集（如从100万篇文档中筛选出1000篇候选），再交给后续模型优化。

稠密检索模型

• 定义：基于"语义相似度"的检索方法，通过Embedding模型将问题和文档转化为稠密向量（所有元素非0），通过计算向量相似度（如余弦相似度）判断相关性，核心是"语义匹配"而非"关键词匹配"。
• 核心原理 ：
  • 与稀疏检索的本质区别：稀疏检索关注"词是否出现"，稠密检索关注"语义是否相关"（如"手机"和"智能手机"向量相似，即使关键词不完全一致，也能被检索到）。
  • 训练方式：通过"对比学习"训练检索模型（如Sentence-BERT、E5），让相关的"问题-文档对"向量距离近，无关的距离远。
• 优势与局限性 ：
  • 优势：
    1. 语义理解能力强：能处理同义词、多义词、语义相关词（如"诺贝尔物理奖"和"诺贝尔物理学奖得主"可匹配）。
    2. 少样本/零样本适配性好：在小样本场景下，性能远超稀疏检索。
  • 局限性：
    1. 计算成本高：直接对海量向量（如100万）计算相似度是O(n)复杂度，速度慢于稀疏检索。
    2. 可解释性差：无法直观看到哪些关键词导致匹配，只能通过向量相似度判断。
• 适用场景 ：
  • 对语义理解要求高的场景（如开放域问答、多轮对话）。
  • 作为"二次检索"（Second-stage Retrieval），对稀疏检索的候选集进一步筛选（如从1000篇候选中筛选出100篇更相关的）。

向量检索模型（侧重工程实现）

• 定义：针对稠密向量的"高效检索工程方案"，通过构建特殊的索引结构，将稠密检索的O(n)复杂度降低到O(log n)，解决海量向量检索的效率问题。

• 核心目标：在保证检索精度损失可控的前提下，大幅提升稠密向量的检索速度，满足实际应用的低延迟需求（如毫秒级响应）。

• 常用索引结构 ：

  索引类型	核心原理	优点	缺点	代表工具
  IVF（Inverted File）	将向量空间划分为多个聚类（如1000个），先找到问题向量所在的聚类，再在聚类内计算相似度	速度快，适合超大规模向量（亿级）	精度略低（仅在聚类内检索，可能遗漏全局最优）	FAISS、Milvus
  HNSW（Hierarchical Navigable Small Worlds）	构建多层导航图，通过"跳级搜索"快速定位相似向量（类似地铁线路图，先找大站点，再找小站点）	精度高，速度快，平衡效果好	索引构建时间长，内存占用大	FAISS、Milvus、Weaviate
  Annoy（Approximate Nearest Neighbors Oh Yeah）	构建随机二叉树，通过多棵树的投票找到近似最近邻	实现简单，内存占用小	精度中等，不适合动态更新向量库	Annoy

• 在RAG中的应用 ：

  • 作为稠密检索的"工程载体"，将知识库的Embedding向量构建成向量索引，存储在向量数据库中（如Milvus、Weaviate）。
  • 实际检索时，先通过向量数据库的索引快速召回Top-K相似向量，再返回对应的文档片段。

重排序模型（Retrieval Reranking）

• 定义：对前两阶段检索（稀疏/稠密检索）得到的候选集（如Top-100）进行"二次排序"的模型，通过更精细的语义匹配，提升最终检索结果的精度，是RAG检索阶段的"最后一公里优化"。
• 核心原理 ：
  • 前两阶段检索关注"召回率"（尽量多召回相关文档），但可能混入无关文档；重排序模型关注"精确率"（从候选集中挑出最相关的），通过更复杂的模型（如交叉编码器）计算问题与每篇文档的精细相似度，重新排序。
• 常用技术类型 ：
  1. 交叉编码器（Cross-Encoder） ：
     • 将问题和文档拼接后输入模型（如BERT），通过模型的[CLS] token输出相似度分数。
     • 优点：语义匹配精度极高（能捕捉细粒度语义差异，如"诺贝尔物理奖"和"诺贝尔化学奖"的区别）。
     • 缺点：计算成本高（需对每个候选文档单独计算，Top-100候选需计算100次）。
  2. 单塔编码器（Bi-Encoder） ：
     • 问题和文档分别通过两个独立的编码器生成向量，再计算相似度（与稠密检索类似）。
     • 优点：速度快（可批量计算向量）。
     • 缺点：精度略低于交叉编码器。
• 典型代表模型 ：
  • Cross-Encoder（基于BERT-base/roberta-base）：适用于候选集较小（Top-100以内）的场景。
  • ColBERT（Contextualized Late Interaction）：结合交叉编码器的精度和单塔编码器的速度，通过"上下文词向量交互"计算相似度，是当前RAG重排序的主流选择。
• 在RAG中的应用价值 ：
  • 用较低的计算成本（仅处理Top-100候选）大幅提升检索精度，例如：稀疏检索的Top-10准确率为60%，经过重排序后可提升至85%以上。

检索模型组合策略（RAG最佳实践）

实际应用中，单一检索模型难以平衡"召回率、精度、速度"，通常采用"多阶段组合策略"：

1. 第一阶段（召回） ：用稀疏检索（BM25） 从海量文档（如100万篇）中快速召回Top-1000候选（保证召回率，速度快）。
2. 第二阶段（筛选） ：用稠密检索（Sentence-BERT） 从Top-1000候选中筛选出Top-100（提升语义相关性）。
3. 第三阶段（排序） ：用重排序模型（Cross-Encoder） 对Top-100候选重新排序，输出Top-10作为最终检索结果（保证精度）。

该策略实现了"海量文档→快速召回→语义筛选→精细排序"的全流程优化，是当前工业界RAG的标准检索链路。

3.2.3 知识图谱（补充关联）

知识图谱是RAG的"结构化知识源"，以"实体-关系-实体"的三元组形式存储知识（如"爱因斯坦-获得-诺贝尔物理学奖"），与非结构化文本检索协同，解决RAG中"事实性错误"和"逻辑推理不足"的问题。

核心定义与结构

• 定义 ：一种结构化的知识表示框架，通过三元组（Subject, Predicate, Object）描述实体之间的关系，形成网状知识结构。
  • 示例三元组：
    • （2024年诺贝尔物理学奖，得主，德国量子计算团队）
    • （德国量子计算团队，核心成员，穆西亚拉）
    • （穆西亚拉，所属机构，慕尼黑大学）
• 核心组件 ：
  • 实体：知识图谱中的基本单元（如"2024年诺贝尔物理学奖""德国量子计算团队"）。
  • 关系：实体之间的关联（如"得主""核心成员""所属机构"）。
  • 属性：实体的特征描述（如"2024年诺贝尔物理学奖"的属性"颁奖时间：2024年10月"）。

在RAG中的核心作用

知识图谱与非结构化文本检索（如文档检索）形成互补，主要解决以下问题：

1. 提升事实准确性：

   • 非结构化文本可能存在错误或歧义（如"爱因斯坦发明了电灯"），知识图谱的三元组是经过验证的结构化事实，可作为"事实校验器"。
   • 例如：RAG生成"爱因斯坦发明了电灯"时，检索知识图谱发现"电灯-发明者-爱迪生"的三元组，可修正回答为"爱迪生发明了电灯，爱因斯坦因光电效应获诺贝尔物理学奖"。

2. 增强逻辑推理能力：

   • 知识图谱的网状结构支持多步推理（如从"2024诺贝尔物理学奖得主是德国团队"→"德国团队核心成员是穆西亚拉"→"穆西亚拉来自慕尼黑大学"，推理出"2024诺贝尔物理学奖得主与慕尼黑大学相关"）。
   • 例如：用户问"2024诺贝尔物理学奖得主的所属机构有哪些？"，RAG可通过知识图谱的多步推理，整合分散的实体关系，生成完整回答。

3. 优化检索效率：

   • 知识图谱可作为"检索引导器"，先通过实体匹配定位相关知识（如用户问"诺贝尔物理奖2024"，先从知识图谱找到"2024年诺贝尔物理学奖"实体，再根据实体关联的文档片段进行检索），减少无关检索。

与RAG的协同方式

1. 混合检索（Hybrid Retrieval）：

   • 同时检索"非结构化文本库"和"知识图谱"，将文本片段和三元组知识融合为上下文，输入生成模型。
   • 示例流程：
     • 用户问题："2024诺贝尔物理学奖得主的核心贡献是什么？"
     • 文本检索：从学术数据库中找到该团队的论文摘要（非结构化文本）。
     • 知识图谱检索：从知识图谱中找到"2024年诺贝尔物理学奖-核心贡献-量子计算纠错技术"的三元组。
     • 融合上下文："根据论文摘要：[文本片段]；根据知识图谱：2024年诺贝尔物理学奖得主的核心贡献是量子计算纠错技术。问题：...？"
     • 生成回答：结合两者信息，生成准确且有依据的回答。

2. 知识增强Embedding：

   • 将知识图谱的三元组信息融入Embedding模型训练，让向量更准确地捕捉实体关系（如"2024诺贝尔物理学奖"的向量与"量子计算"的向量距离更近）。
   • 例如：用"爱因斯坦-获得-诺贝尔物理学奖"三元组训练Embedding模型，让"爱因斯坦"和"诺贝尔物理学奖"的向量相似度提升，检索时更易匹配相关内容。

典型应用场景

• 垂直领域问答：如医疗领域（"糖尿病的治疗药物有哪些？"，知识图谱提供"糖尿病-治疗药物-胰岛素"等三元组，文本检索提供药物使用说明）、金融领域（"某公司的股东有哪些？"，知识图谱提供股权关系，文本检索提供最新股东变更公告）。
• 复杂逻辑推理：如历史事件分析（"某历史人物的主要成就与哪些机构相关？"，通过知识图谱的多步关系推理整合信息）。