一文搞懂RAG构建知识库和知识图谱

最新推荐文章于 2025-04-25 16:40:22 发布

朝阳区靓仔_James

最新推荐文章于 2025-04-25 16:40:22 发布

阅读量1k

点赞数 26

文章标签：知识图谱人工智能深度学习机器学习 python

本文链接：https://blog.csdn.net/weixin_58753619/article/details/147462233

版权

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。

Retrieval Augmented Generation (RAG) with Spring AI | by Sudeep Moothedath | Feb, 2025 | Medium

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。****

RAG Optimization. Creation of a knowledge base | by Marko Briesemann | Medium

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

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-splittersfrom 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}")

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-cpufrom sentence_transformers import SentenceTransformerfrom 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

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。

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。

二、知识库和知识图谱

知识库（Knowledge Base）是什么？知识库是结构化、易操作的知识集群，通过系统性整合领域相关知识（如理论、事实、规则等），为问题求解、决策支持和知识共享提供基础平台。

*RAG构建知识库******的核心在于将外部知识检索与大语言模型生成能力结合***，通过高效检索为生成提供上下文支持，从而提升答案的准确性和时效性。****（实战的重点在文本分块Chunking和向量化Embedding）**

1. 文本分块（Chunking）

文本分块是将长文本分割为较小、可管理的片段，以便更高效地处理和分析。

2. 向量化（Embedding）

向量化是将文本或数据映射为高维向量空间中的数值表示，以捕获语义特征。

Retrieval-Augmented Generation (RAG) process using an LLM | by LEARNMYCOURSE | Medium

**知识图谱（Knowledge Graph）是什么？**知识图谱是一种通过实体与关系构建的语义化网络结构，支持推理与复杂查询，而传统知识库多以非关联的扁平化方式存储数据。

RAG构建知识图谱的核心是通过结合检索技术与大语言模型（LLM），将外部知识库中的结构化与非结构化数据整合为图谱形式。知识图谱为RAG系统注入结构化推理能力，使其从“信息检索器”进化为“知识推理引擎”。

RAG构建知识图谱的关键在于****检索与生成的协同****，其流程包括：

*数据预处理：将文档分割为文本块（chunking），**并通过命名实体识别（NER）提取实体与关系**。***
*知识图谱索引：基于提取的实体与关系，构建初始知识图谱后，运用聚类算法（例如Leiden算法）对图谱中的节点进行社区划分。*
*检索增强：在用户查询时，通过本地搜索（基于实体）或全局搜索（基于数据集主题）增强上下文，提升生成答案的准确性。*

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述