hi~
来啦！
本系列！
做给那些，在低分RAG痛苦挣扎，期望用知识图谱拿结果的朋友！
代号：灵丹！
先上对比！常规RAG与知识图谱增强RAG的回复质量：
雄哥大概以25份《黑猴》的物品介绍，作为示例：
分别同一个问题：黑神话悟空中-攻杀丹药有哪些？
常规RAG回答
有"用品-聚珍伏虎丸（特品）"和"用品-伏虎丸（良品）"两种攻杀丹药。
知识图谱回答
从提供的信息中，可以得知存在以下几种攻杀丹药：
用品-登仙散（仙品）
用品-伏虎丸（良品）
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
对比，他们分别引用到的数据源：
就是这么神奇！
我们看到常规RAG：找不全、找不准、幻觉胡说八道！
知识图谱，给RAG带来两点优势：
优势①：串联碎片信息
将分散在N个文本块中的关联点，通过一个或几个节点，串联起来！
传统RAG做不到，比如：黑神话悟空中，攻杀丹药有几十种，每一种不同的攻杀丹药，都无规律地散落在各个文本块中，常规检索根本找不齐，但又息息相关，交付分低；
优势②：降本增效
只找关联的节点与关系边，毫秒级检索，缩短上下文tokens=钱！
传统方案是一个个臃肿无关联文本块，也有进阶对不同文本块打标签或总结方案，但文本块与文本块之间的关联，及本身臃肿的超大tokens，导致真正给大模型处理的任务，异常繁重，知识图谱主打轻+准+快；
想不想，带回家？
本系列的内容，如下：
day1：什么情况适合知识图谱？认识他的优势+劣势！
day2：如何用知识图谱？全面实操三种由简至深的部署方案！
day3：如何开发？本地实操把知识图谱接入到开发环境中！
day4：如何落地？纯本地接入大模型+RAG框架中，实操！
day5：如何拓展？围绕知识图谱+RAG，做一个自己的应用！
day6：如何提升？围绕不同场景，输出四大象限处理策略，真正灵丹！
技术栈说明
操作系统：Linux
环境：jupyter
开发语言：Python 3.10
知识图谱：NebulaGraph
RAG框架：LlamaIndex、LangChain
本地大模型：Qwen2-7B（高并发VLLM部署，灵活自定义）
嵌入索引模型：text2vec-large-chinese
算力要求：无要求，3090*24G（完整体验）或API供应商
