2301_79319949的博客

最近在学习 LlamaIndex 时，我有一个很直接的感受：它和 LangChain 真的很像。两者都能做文档加载、文本切分、Embedding、向量检索、RAG、Agent 和工具调用。如果只看入门示例，甚至会觉得它们是在重复造轮子。但继续往下学之后会发现，二者虽然能力有重叠，设计重心却截然不同。LangChain 更像是一个LLM 应用编排框架，擅长把模型、Prompt、工具、Agent 和流程串起来；LlamaIndex 更像是一个数据增强框架，擅长把私有数据组织成 LLM 可以高质量使用的上下文。

本文介绍 GraphRAG 的核心原理与工作流。相比传统 RAG 只检索相似文本，GraphRAG 通过构建知识图谱，组织实体、关系、社区和摘要，更适合复杂关系推理、全局总结和多文档分析。文章还对比了 Local Search、Global Search、DRIFT Search 等查询方式，并说明其适用场景。

《RAG系统评估指南：关键方法与工具》摘要 RAG系统的评估是确保问答质量的核心环节。评估主要关注检索和生成两大模块：检索评估侧重上下文相关性、精度和召回率；生成评估考察答案忠实度和相关性。常用指标包括ContextRelevancy、Faithfulness等，可通过RAGas、TruLens等工具实现量化分析。有效的评估能帮助开发者快速定位系统瓶颈，优化知识库和模型选择，并为持续迭代提供科学依据。随着知识库动态更新，定期评估成为保障系统稳定性的必要手段。