一文搞懂RAG构建知识库和知识图谱

程序员小嬛

于 2025-04-23 13:47:50 发布

阅读量1k

点赞数 19

分类专栏：人工智能深度学习神经网络文章标签：知识图谱人工智能深度学习

本文链接：https://blog.csdn.net/Aifuyao/article/details/147448272

版权

人工智能同时被 3 个专栏收录

21 篇文章

订阅专栏

深度学习

5 篇文章

订阅专栏

神经网络

3 篇文章

订阅专栏

RAG（Retrieval-Augmented Generation，检索增强生成）技术通过检索增强生成，显著提升了知识问答的准确性和时效性。在构建知识库时，RAG通过向量数据库和动态更新机制，实现了高效的知识检索与生成；在构建知识图谱时，RAG通过GraphRAG和Graphusion等框架，实现了实体关系的精准抽取与图谱融合。

一、RAG

RAG（Retrieval-Augmented Generation，检索增强生成）是什么？RAG是一种结合信息检索与文本生成的人工智能技术，旨在通过引入外部知识库，解决大语言模型的幻觉问题。

RAG的核心目标是让大语言模型（LLM）在回答问题时不再仅依赖训练时的固化知识，而是动态检索最新或特定领域的资料来辅助生成答案。

RAG结合了信息检索与生成模型，通过以下三阶段工作：

检索：从外部知识库（如文档、数据库）中搜索与问题相关的信息。

增强：将检索结果作为上下文输入，辅助生成模型理解问题背景。

生成：基于检索内容和模型自身知识，生成连贯、准确的回答。

Prompt + RAG 如何实战？结合 Prompt 工程与 RAG（检索增强生成）的实战应用需围绕数据准备、检索优化、生成控制等环节展开。

一、数据准备与向量化

1. 文档预处理与分块

文档预处理通过多模态数据清洗、词形还原与依存句法分析实现文本规范化；分块环节采用递归分割与语义边界识别技术，结合知识图谱关联优化，构建动态重叠的上下文连贯单元，以平衡检索效率与信息完整性。
```
# 依赖安装：pip install langchain langchain-text-splitters
from langchain_text_splitters import RecursiveCharacterTextSplitter
# 示例长文本（替换为实际文本）
text = """自然语言处理（NLP）是人工智能领域的重要分支，涉及文本分析、机器翻译和情感分析等任务。分块技术可将长文本拆分为逻辑连贯的语义单元，便于后续处理。"""
# 初始化递归分块器（块大小300字符，重叠50字符保持上下文）
text_splitter = RecursiveCharacterTextSplitter(
    chunk_size=300,
    chunk_overlap=50,
    separators=["\n\n", "\n", "。", "！", "？"]  # 优先按段落/句子分界[2,4](@ref)
)
# 执行分块
chunks = text_splitter.split_text(text)
# 打印分块结果
for i, chunk in enumerate(chunks):
    print(f"Chunk {i+1}:\n{chunk}\n{'-'*50}")
```
2. 向量化与存储

向量化通过Embedding模型将非结构化数据（文本、图像等）映射为高维语义向量，存储则依托专用向量数据库（如ElasticSearch的dense_vector字段、Milvus）构建高效索引（HNSW、FAISS），支持近似最近邻搜索（ANN）实现大规模向量数据的快速相似性匹配。
```
# 依赖安装：pip install sentence-transformers faiss-cpu
from sentence_transformers import SentenceTransformer
from langchain_community.vectorstores import FAISS
# 1. 文本向量化（使用MiniLM-L6预训练模型）
model = SentenceTransformer('paraphrase-MiniLM-L6-v2')
embeddings = model.encode(chunks)
# 2. 向量存储到FAISS索引库
vector_db = FAISS.from_texts(
    texts=chunks,
    embedding=embeddings,
    metadatas=[{"source": "web_data"}] * len(chunks)  # 可添加元数据
)
# 保存索引到本地
vector_db.save_local("my_vector_db")
# 示例查询：检索相似文本
query = "什么是自然语言处理？"
query_embedding = model.encode([query])
scores, indices = vector_db.similarity_search_with_score(query_embedding, k=3)
print(f"Top 3相似块：{indices}")
```
二、检索优化技术

通过多路召回（如混合检索、HyDE改写、动态重排）提升查全率与排序质量，并利用上下文增强（知识图谱补充关系、指令级RAG动态生成Prompt）优化检索结果。

三、Prompt 工程实践

1. 结构化输入设计

基于角色和场景进行约束，例如法律顾问角色与合同条款咨询场景，结合《民法典》第580条知识单元，通过“用户问题→检索知识→逻辑关联→生成答案”的思维链，分点解释并标注引用来源。

2. 输出模版控制

通过预设模板化输出框架确保格式规范，并设置动态防护栏机制过滤敏感词与校验事实一致性，实现内容生成的安全性与合规性。