粤ICP备17114055号
微信扫码
和创始人交个朋友
支持私有云部署
我要投稿
先简单说下 RAG 和 Graph RAG的区别。
以把小说作为知识库为例。
RAG，会把小说分块，然后把每块向量化，之后用户提问，根据提问的问题，找到最相似的分块，最后把这些分块，发送给AI模型，最后，AI模型给出答案。
Graph RAG，会把小说中，拆分出节点和边。
节点，可以理解为是一个人物，如：主角。
边，可以理解为，节点和节点间的关系，用来连接节点。
然后，找到最相似的节点，遍历这个节点的上下关系，这个上下关系，可能和你问题的语义，完全不相关，所以普通RAG是搜不出来的。
最后，给AI模型，得出答案。
所以区别就是，Graph RAG给AI模型的语料，会包含更加详细的信息。
然后，进入正题，百度千帆平台，有完全免费的模型。
这种标着免费使用的模型，有着使用的限制，我用到的是下面的模型。
这里提示无需开通，也没标记使用限制。
具体如何对接，请自行查看文档，目前我还在开发的"多样智能"，已经给出了web版页面配置。
配置好了之后，看下对话效果，我感觉这个免费的模型，对话效果不好。
最后我解析了小说"飞升之后",前24000字，构成了这样的知识图谱。
放大看看
这是我优化后结果，刚开始对接这个模型的时候，生成的图谱一塌糊涂。
看下搜索的结果。
我没有测试过openai构建的知识图谱，有钱的小伙伴可以也解析下，比较下，据我了解，使用openai构建的知识图谱很贵。
如果是本地搭建了ollama等平台，由于每台电脑配置不同，这里不测试了，反正我自己实验了下，就放弃了，太慢了。
53AI，企业落地大模型首选服务商
产品：场景落地咨询+大模型应用平台+行业解决方案
承诺：免费场景POC验证，效果验证后签署服务协议。零风险落地应用大模型，已交付160+中大型企业
2025-02-22
TrustRAG：为AI知识检索打造更安全的防线
2025-02-22
DeepSeek+RAGFlow 本地部署避坑指南，一文搞定常见难题！
2025-02-22
基于DeepSeek的本地化知识库 RAGFlow 搭建(附带镜像链接)
2025-02-22
RAGFlow+DeepSeek-R1:14b落地案例分享（足够详细）：机加工行业设备维保场景
2025-02-21
DeepRAG：LLM时代的智能检索革命（实测提升准确率21.99%）
2025-02-21
从零开始优化 RAG 流程的终极指南，解决检索增强生成的核心挑战
2025-02-20
本地运行DeepSeek R1 + RAG系统
2025-02-20
传统分块已死？Agentic Chunking拯救语义断裂，实测RAG准确率飙升40%，LLM开发者必看！
2024-09-04
2024-10-27
2024-07-18
2024-05-05
2024-06-20
2024-06-13
2024-07-09
2024-07-09
2024-05-19
2024-07-07
2025-02-15
2025-02-12
2025-02-05
2025-02-05
2025-01-24
2025-01-24
2025-01-20
2025-01-18
回到顶部