4.1 新型RAG¶
学习目标¶
- 掌握基于知识图谱的RAG的实施过程和缺点
- 掌握基于智能体的RAG的实施过程
一、基于知识图谱的RAG（Graph RAG）¶
1 实施过程¶
基于知识图谱的RAG主要依赖知识图谱和社区检测形成全局理解和多跳处理能力。主要产品有GraphRAG，LightRAG等。
1.1 文本分块¶
1.2 图谱抽取¶
使用大语言模型抽取文本块中的实体和关系
1.3 实体和关系的描述与向量化¶
将所有的实体和关系用一段文本描述出来，并且向量化，作为后续检索的知识
1.4 社区检测与描述¶
使用Louvain或Leiden等算法从知识图谱中抽取出社区，并使用大模型做出描述
2 主要问题¶
2.1 成本太高¶
因为需要大模型抽取实体和关系，对大模型的质量有很高的要求，想要准确只能使用高质量大模型；需要使用大模型对所有实体和关系做出描述，产生大量调用，算力和时间的成本都非常高。
2.2 无法给出综合性报告¶
只能够回答特定问题，无法做综合性分析，给出专业的工作报告
二、智能体RAG（Agentic RAG）¶
一般来说，RAG通常作为智能体的子模块，但是也可以逆向思维，让智能体为RAG服务。这类产品主要有，deepsearch、deepresearch等。
智能体RAG的主要思路是构建一个基于“搜索-阅读-推理”的循环，可用于生成非常复杂的研究报告。主要改进点如下：
- 问题规划与拆分：将复杂问题拆分成多个子问题，并规划解决方案
- 反思与优化：分析上一步的结果，如果不理想，改进和调整检索策略
- 工具集成：利用agent调用工具的能力，整合使用不同的数据源和外部工具
- 跨模态信息整合：文本、图像、视频、音频、结构化数据库等
- 模块化架构：可以自由地使用单agent或多agent协作等架构方式