大模型技术在经过一年多的飞速迭代和发展，以 ChatGPT 为代表的大语言模型（LLM）凭借其强大的文本生成能力，在各个领域掀起了一场 AI 应用的革命。然而，狂欢过后，人们逐渐意识到 LLM 并非无所不能。由于训练数据的限制，LLM 常常会“一本正经地胡说八道”，给出过时、不准确甚至完全虚构的信息。

为了解决这个问题，检索增强生成（RAG）技术应运而生。RAG 就像为 LLM 配备了一个外部“知识库”，让 AI 在回答问题时不再局限于自身的“记忆”，而是能够参考最新的、更全面的信息。

然而，传统的 RAG 技术仍然依赖于文本匹配，无法真正理解文本背后的语义和逻辑关系，在处理复杂查询、捕捉细微差别等方面依然存在不足。想象一下，如果只是把一堆文件扔给学生，而不教给他们如何理解和分析，他们真的能找到问题的答案吗？

为了打破这一瓶颈， Graph RAG 应运而生。Graph RAG 将知识图谱（KG）引入 RAG 体系，就像为 AI 构建了一张清晰的“知识地图”。知识图谱能够表达实体之间的复杂关系，例如父子关系、朋友关系、因果关系等等，从而让 AI 不仅能够“查到”信息，更能够“理解”信息之间的逻辑，给出更准确、更智能的答案。

从依赖自身记忆到检索外部信息，再到利用知识图谱进行深度理解，Graph RAG 代表着 AI 问答技术的一次重大飞跃。它将如何赋能 LLM，开启人机交互的新纪元？让我们拭目以待！

传统的 LLM 就像一个博览群书的学者，知识储备丰富，但缺点是“学识”停留在某个时间节点，容易“跟不上时代”。这就好像，你问一个古代的学者“什么是互联网”，他肯定是一脸懵圈的。?

为了解决这个问题，专家们想出了一个办法：让 AI 也学会“查资料”！这就是 RAG 技术的核心思想。

简单来说，RAG 就像为 LLM 配备了一个实时更新的搜索引擎，让 AI 在回答问题时不再局限于自身的“记忆”，而是能够随时查阅最新的资料。

具体是怎么做的呢？

第一步，检索信息。 当用户提出问题时，RAG 系统会先从海量的外部知识库中，找出与问题相关的文档或片段。这就好比你在搜索引擎里输入关键词，然后找到一堆相关的网页。

第二步，生成答案。 找到相关信息后，RAG 系统会把这些信息“喂”给 LLM，辅助其生成更准确、更全面的答案。这就好比你参考了搜索结果，再加上自己的理解，最终形成对问题的答案。

有了 RAG 技术，LLM 就不再是那个“两耳不闻窗外事”的学者，而是变成了一个“学富五车、与时俱进”的知识达人！

虽然 RAG 让 AI 学会了“查资料”，但它也并非完美无缺。就像学生查资料也会遇到难题一样，RAG 在实际应用中也面临着一些挑战：

首先，信息检索的准确性问题。 RAG 需要从海量的外部知识库中找到最相关的资料，但这可不是一件容易的事！不同的知识库可能格式各异、内容质量参差不齐，就像你要在一堆乱七八糟的书籍和文件中找到想要的信息一样困难。

其次，处理复杂查询的能力不足。 有些问题需要结合上下文才能理解，例如“苹果公司的创始人是谁”和“苹果多少钱一斤”，这两个“苹果”可不是一回事儿。传统的 RAG 技术主要依赖关键词匹配，对这类需要深度语义理解的复杂查询，就显得力不从心了。

最后，检索效率也是一个问题。 面对海量的知识库，如何快速找到最相关的信息，是 RAG 系统需要解决的关键问题。如果检索速度太慢，用户体验就会大打折扣，就像你在图书馆里等了半天，结果图书管理员告诉你“这本书借走了”，那肯定很郁闷吧。?

为了克服这些局限性，研究人员一直在不断改进 RAG 技术，例如开发更先进的检索算法、优化知识库的组织结构等等。而 Graph RAG 的出现，则为解决这些难题提供了一个全新的思路。

前面我们说到，传统的 RAG 技术让 AI 学会了“查资料”。但实际上，RAG 并非只是简单的关键词匹配，它通常会使用更复杂的语义搜索技术，例如基于 Transformer 的语义匹配模型，来理解用户查询的意图，并找到语义相关的文档，而不是仅仅依赖于关键词的表面匹配。

但是，传统的 RAG 仍然难以真正理解文本背后的复杂逻辑和关系。为了解决这个问题，科学家们想出了一个更厉害的办法：把知识图谱（KG）引入 RAG 系统！

这是什么概念呢？想象一下，以前 AI 查资料，就像在茫茫大海中捞针，需要花费很大力气才能找到真正想要的信息。而现在，知识图谱就像一张清晰的“地图”，把各种信息和它们之间的关系都标注出来，AI 就能“按图索骥”，更快、更准确地找到目标信息了。

举个例子，当用户询问“苹果公司的创始人是哪个大学毕业的？”，传统的 RAG 系统可能会被“苹果”这个词迷惑，检索出一些关于水果的信息。而 Graph RAG 则可以利用知识图谱，准确地识别出“苹果公司”是一个公司实体，“创始人”和“大学”是与之相关联的实体，从而检索出正确的信息，比如“史蒂夫·乔布斯”和“里德学院”。

Graph RAG 建立在 RAG 的基础上，并利用了知识图谱（KG）的优势。这种创新方法由 NebulaGraph 首创，通过集成图数据库，改变了 LLM 解释和响应查询的方式。Graph RAG 的工作原理是将来自知识图谱的结构化数据整合到 LLM 的处理过程中，为模型的回答提供更加细致和信息丰富的基础。

简单来说，Graph RAG 的工作原理就是：先分析用户的查询，在知识图谱中找到相关的实体和关系，然后将这些信息“翻译”成 LLM 能够理解的语言，最后再生成答案。

知识图谱是对现实世界实体及其关系的结构化表示。它们由两个主要部分组成：节点和边。节点表示独立的实体，例如人物、地点、物体或概念。而边则表示节点之间的关系，表示它们如何相互关联。

这种结构使 LLM 能够访问精确且与上下文相关的的数据，从而极大地提高了其生成信息丰富答案的能力。Graph RAG 的创新之处在于它将图数据库与 LLM 相结合，在生成答案之前丰富了模型的上下文。

目前，已经有一些公司推出了自己的 Graph RAG 平台，例如 Ontotext、NebulaGraph 和 Neo4j 等等，这些平台都提供了强大的图数据库和 RAG 工具，可以帮助开发者快速构建自己的 AI 知识问答系统。

Graph RAG  的出现，为  AI  领域打开了新的大门。它不仅仅是一种技术，更是一种全新的思考方式，将深刻地改变  AI  与世界互动的方式。

总而言之，Graph RAG  为  AI  的发展指明了新的方向，它将推动  AI  从“数据驱动”走向“知识驱动”，让  AI  真正拥有理解世界、解决问题的能力。

未来，让我们一起见证  Graph RAG  如何改变世界！?

说了这么多，你是不是已经迫不及待地想要体验一下 Graph RAG 的魅力了呢？

下面，我们就来一起做一个简单的 Graph RAG demo，以新加坡政府的 Govtech 开发者门户为例，看看如何利用 Graph RAG 技术构建一个智能的产品信息搜索引擎。

6.1、搭建知识图谱

• 我们可以使用一些图数据库工具，例如 使用 Neo4j Desktop 启动 Neo4j 本地实例，来存储和管理知识图谱。

• 利用一些开源的 LLM 工具和提示工程技巧，我们可以自动地从产品信息文档中提取关键信息，例如产品名称、功能描述、开发团队等等，并将这些信息转换成知识图谱中的节点和关系。以下是一个提示示例：

# 创建知识图谱的说明
## 概述
你的任务是将数据组织成知识图谱。
- **节点**: 表示实体和概念。
- 目标是确保知识图谱简洁易懂，便于广泛使用。

## 节点标记
- **一致性**:  对节点使用简洁明了的标签。例如，将任何代表组织的实体标记为“公司”，而不是使用“Facebook”或“Amazon”等具体名称。
- **节点标识符**:  优先使用文本或易于理解的标识符，而不是数字标识符。
    - **允许的节点标签**: 如果存在特定的允许节点标签，请在此处列出。
    - **允许的关系类型**: 如果存在特定的允许关系类型，请在此处列出。

## 管理数字数据和日期
- 将数字信息直接作为节点的属性。
- **集成日期/数字**:  不要为日期或数字创建单独的节点，而是将它们作为属性附加到相关节点上。
- **属性格式**:  使用键值对格式。
- **避免使用引号**:  不要在属性值中使用转义引号。
- **键命名**:  采用驼峰命名法（camelCase）来命名键，例如 `dateTime`。

## 一致性
- **实体一致性**:  确保在不同的提及或引用中对同一实体使用一致的标识。

## 遵守准则
必须严格遵守这些说明。不遵守将导致任务终止。

{
  "identity": 1040,
  "labels": [
    "Feedbackstatus"
  ],
  "properties": {
    "id": "Feedback-Success",
    "message": "Sent. Thank you for the feedback!"
  },
  "elementId": "4:81cd2613-0f18-49c1-8134-761643e88b7a:1040"
},
{
  "identity": 1582,
  "labels": [
    "Feedbackstatus"
  ],
  "properties": {
    "id": "Feedbacksuccess",
    "status": "Sent. Thank you for the feedback!"
  },
  "elementId": "4:81cd2613-0f18-49c1-8134-761643e88b7a:1582"
},
{
  "identity": 1405,
  "labels": [
    "Header"
  ],
  "properties": {
    "id": "Modalcardhead",
    "class": "sgds-modal-card-head"
  },
  "elementId": "4:81cd2613-0f18-49c1-8134-761643e88b7a:1405"
},
{
  "identity": 1112,
  "labels": [
    "Feedbackindicator"
  ],
  "properties": {
    "id": "Feedbacksuccess",
    "title": "check",
    "message": "Sent. Thank you for the feedback!"
  },
  "elementId": "4:81cd2613-0f18-49c1-8134-761643e88b7a:1112"
...

这个过程就像把一堆散乱的零件组装成一辆完整的汽车一样，需要一定的技术和耐心。

6.2、接入 RAG 系统

• 我们可以使用一些开源的 RAG 框架，例如 LangChain，来简化 RAG 系统的搭建和部署。
• 通过 LangChain 提供的模板，我们可以轻松地将 Neo4j 图数据库与 LLM 连接起来，实现 Graph RAG 的功能。

6.3、测试和优化

最后，我们需要对 Graph RAG 系统进行测试和优化，确保它能够准确地理解用户的问题，并给出满意的答案。

• 例如，我们可以尝试询问一些关于 Govtech 产品的问题，看看 Graph RAG 系统是否能够给出比传统搜索引擎更准确、更详细的答案。
• 如果 Graph RAG 系统的效果不理想，我们还可以通过调整提示工程的策略、优化知识图谱的结构等方式来改进系统的性能。

permissible_nodes_to_extract = [
    "Aisubfield",
    "Application",
    "Cloudservice",
    "Concept",
    "Digitalsolution",
    "Division",
    "Entity",
    "Feature",
    "Fundinginitiative",
    "Initiative",
    "Link",
    "Location",
    "Organization",
    "Person",
    "Platform",
    "Policy",
    "Program"
    "Resource",
    "Role",
    "Schema",
    "Service",
    "Standard",
    "Technology",
    "Technologyplatform",
    "Technologystack",
    "Webframework",
    "Webresource",
    "Website"
]

一切准备就绪，让我们尝试以下查询：

传统 RAG 的回答：“AiSay 是新加坡政府开发的一款人工智能文档阅读器。它可以自动检测、扫描和理解各种类型的文档，包括手写笔记、印刷文章、多语言文本以及结构化/非结构化文档。与传统的 OCR 系统不同，AiSay 可以处理图像和 PDF 文件等类型的文档，并提供结构化的信息。它结合了 OCR、文档问答技术以及大语言模型来理解上下文并回答问题。AiSay 支持同步和异步调用，可以处理大文件，并可以根据需要进行扩展。它以无服务器的方式托管在云端，因此可以灵活扩展以处理大量数据。AiSay 目前仍在积极开发中，支持安全性和数据分类级别高达“受限/敏感一般” (RESTRICTED/SENSITIVE NORMAL) 的文档。未来将支持更多类型的文档。AiSay 的独特功能包括：能够处理多种文档类型并提供结构化信息、可扩展性强，以及支持安全性和数据分类。”

Graph RAG 的回答：“AiSay 是新加坡政府开发的一款人工智能文档阅读器。它是一个文档解析器，可以提供结构化的信息，并从各种文档中提取信息并将其整合到现有系统中。AiSay 可以自动检测、扫描和理解各种类型的文档，包括手写笔记、印刷文章、多语言文本和结构化/非结构化文档。与传统的 OCR（光学字符识别）系统不同，AiSay 可以处理图像（JPEG、PNG、TFIF）和 PDF 文件等文档类型，并提供结构化信息。

AiSay 的一些主要优点包括：

1. 减少人工错误并提高数据准确性，因为它可以自动从上传的文档中提取关键数据并填写到表单中。
2. 改善数字服务体验，因为一旦上传文档，AiSay 就可以自动填写关键数据。AiSay 的独特之处在于它能够处理各种文档类型并提供结构化的信息，支持多种格式和语言。它还为每个任务提供置信度分数，以确定是否需要额外支持，从而最大程度地减少对高置信度任务的人工干预。此外，AiSay 采用无服务器架构托管在云端，因此可以灵活扩展以处理大文件，并支持异步提取。”

传统 RAG 的回答：“Govtech 提供 Cloak 和 FileSG 产品，可以帮助用户从文档中删除敏感信息。”

Graph RAG 的回答：“GovTech 提供了一款名为 Cloak 的产品，这是一个用于数据匿名化的集中式隐私工具包，可以确保数据处理符合相关政策。这款产品可以帮助公务员对数据集应用数据匿名化技术，并根据相关指南评估重新识别风险。”

传统 RAG 的回答：“提供的文档中没有直接比较“开箱即用的数据基础设施” (DIAB) 和名为 SIaC 的产品或服务，也没有提到 SIaC。因此，根据现有信息，无法直接比较 DIAB 和 SIaC。

以下是 DIAB 的一些关键特性：

1. 目的和开发：DIAB 由 GovTech 的数据科学和人工智能部门 (DSAID) 开发，旨在加速在“政府商业云” (GCC) 上部署和维护数据基础设施。它专门用于协助政府机构设计、部署和保护数据基础设施。
2. 专注于数据基础设施：DIAB 强调构建一致且可扩展的数据基础设施，使政府机构在设计和实施云基础设施时能够节省时间并减少开销。这种设计理念使政府机构可以更专注于构建应用程序层。
3. 使用基础设施即代码 (IaC)：DIAB 利用 IaC 模板和参考架构来简化数据工程方面的工作，从而简化数据基础设施的设置和管理流程。由于缺乏关于 SIaC 的信息，因此无法进行比较。DIAB 的特点表明，它是一个帮助政府机构在云端高效部署和管理数据基础设施的工具，它利用 IaC 来提高效率和可扩展性。”

Graph RAG 的回答：“DIAB（开箱即用的数据基础设施）和 SIaC（安全基础设施即代码）都是旨在简化政府机构部署云基础设施的产品。但是，它们在具体功能和侧重点上有所不同。DIAB 旨在加速在“政府商业云” (GCC) 上部署和维护数据基础设施。它可以帮助政府机构设计、部署和保护数据基础设施，重点关注数据工程方面的工作，并提供“基础设施即代码” (IaC) 模板。DIAB 的目标是帮助政府机构构建一致且可扩展的数据基础设施，其主要优势包括易用性、效率高、内置合规性、部署灵活以及面向未来。另一方面，SIaC 提供可定制的模板，用于以安全、合规和自动化的方式部署云基础设施。它侧重于安全配置云服务提供商提供的托管服务和工具，并提供模块化且易于调整的模板。SIaC 的主要功能包括：符合新加坡政府标准、模块化设计（适用于不同用例）、与 SGTS 组件集成，以及云原生设计。总而言之，虽然 DIAB 和 SIaC 都旨在简化政府机构的云基础设施部署，但 DIAB 主要针对数据基础设施部署，重点关注数据工程和 IaC 模板，而 SIaC 侧重于安全合规的云基础设施部署，提供可定制的模板和模块化设计。”

从依赖自身“记忆”到学会“查资料”，再到拥有“知识地图”，Graph RAG 的出现，标志着 AI 问答技术进入了一个全新的阶段。

传统的 RAG 技术虽然能够为 LLM 提供更丰富的知识来源，但它就像一个只会“照本宣科”的学生，缺乏对知识的真正理解。而 Graph RAG 则赋予了 AI 更强大的推理能力和逻辑思维能力，让 AI 能够像人类一样理解世界、解决问题。

当然，Graph RAG 也并非完美无缺。它的性能很大程度上取决于知识图谱的质量和覆盖范围。构建一个高质量的知识图谱并非易事，需要投入大量的人力和资源。

但我们相信，随着 AI 技术的不断发展，Graph RAG 将会克服这些挑战，释放更大的潜力。未来，Graph RAG 将推动 AI 从“数据驱动”走向“知识驱动”，让 AI 真正拥有认知智能，为人类创造更美好的未来！