知 识 图 谱 + R A G 大妙用！

做RAG的朋友，如果总在低分召回里打转，那这个系列或许能帮你打开另一扇窗——知识图谱增强RAG。我们不谈虚的，直接上对比：常规RAG和知识图谱增强RAG，同一个问题，效果差多少？

先看差距：同一个问题，两种回答

我们选了25份《黑神话：悟空》的物品介绍作为测试数据，问的是同一个问题：

有“用品-聚珍伏虎丸（特品）”和“用品-伏虎丸（良品）”两种攻杀丹药。

从提供的信息中，可以得知存在以下几种攻杀丹药：

1. 用品-登仙散（仙品）
2. 用品-伏虎丸（良品）
3. 用品-倍力丸（上品）

这些丹药都具有提升攻击能力的效果。例如，用品-登仙散（仙品）在一定时间内可以让所有动作不消耗气力，用品-伏虎丸（良品）则在较长时间内增加攻击造成的伤害。

差距一目了然：常规RAG要么找不全、找不准，要么幻觉频出。而知识图谱增强RAG，不仅把分散在不同文本块中的攻杀丹药一一找齐，还给出了每个丹药的具体效果描述。这背后靠的是什么？

知识图谱给RAG带来的两个核心优势

优势①：串联碎片信息

把分散在几十个文本块中的关联点，通过实体节点和关系边串联起来。传统RAG做不到这一点——比如黑神话悟空中几十种攻杀丹药，它们没有规律地散落在各个物品介绍里，常规检索根本找不齐，但彼此又息息相关，导致最终交付分很低。知识图谱天生就是干这个的：把零散的信息按语义关系组织成网络，召回时直接沿着边跳转，不遗漏任何一个相关节点。

优势②：降本增效

只检索关联的节点与关系边，毫秒级完成，上下文tokens大幅缩减——这意味着真金白银的节省。传统方案是一个个臃肿无关联的文本块，进阶一点的做法是给文本块打标签或做摘要总结，但文本块之间的关联依然缺失，加上本身超大的tokens，大模型处理起来异常繁重。知识图谱主打轻、准、快：只给大模型它真正需要的局部子图，计算量小得多，幻觉自然更少。

这个系列将带你从零上手，一步步把知识图谱变成RAG的“灵丹妙药”。下面是六天的规划：

系列内容一览

技术栈说明

Linux

Jupyter

Python 3.10

NebulaGraph

LlamaIndex、LangChain

Qwen2-7B（高并发VLLM部署，灵活自定义）

text2vec-large-chinese

无严格限制，3090*24G可完整体验，或通过API供应商获取算力