从传统RAG到Graph RAG：知识图谱技术驱动下的链路转型与融合策略[DB-GPT、OpenSPG、Tugraph三合一]

从传统RAG到Graph RAG：知识图谱技术驱动下的链路转型与融合策略

检索增强生成（RAG：Retrieval Augmented Generation）技术旨在把信息检索与大模型结合，以缓解大模型推理 “幻觉” 的问题。近来关于 RAG 的研究如火如荼，支持 RAG 的开源框架也层出不穷，并孕育了大量专业领域的 AI 工程应用。设计了一个通用的开源 RAG 框架，以兼容未来多样化的基础研究建设和工程化应用诉求。

1.简介

RAG 的目标是通过知识库增强内容生成的质量，通常做法是将检索出来的文档作为提示词的上下文，一并提供给大模型让其生成更可靠的答案。更进一步地，RAG 的整体链路还可以与提示词工程（Prompt Engineering）、模型微调（Fine Tuning）、知识图谱（Knowledge Graph）等技术结合，构成更广义的 RAG 问答链路。

除了传统意义上的增强内容生成，RAG 的理念还可以进一步泛化到链路的其他阶段：

• 增强训练