RAG（Retrieval-Augmented Generation，检索增强生成）技术通过检索增强生成，显著提升了知识问答的准确性和时效性。在构建知识库时，RAG通过向量数据库和动态更新机制，实现了高效的知识检索与生成；在构建知识图谱时，RAG通过GraphRAG和Graphusion等框架，实现了实体关系的精准抽取与图谱融合。
一、RAG
检索：从外部知识库（如文档、数据库）中搜索与问题相关的信息。
增强：将检索结果作为上下文输入，辅助生成模型理解问题背景。
生成：基于检索内容和模型自身知识，生成连贯、准确的回答。
Prompt + RAG 如何实战？结合 Prompt 工程与 RAG（检索增强生成） 的实战应用需围绕数据准备、检索优化、生成控制等环节展开。
# 依赖安装：pip install langchain langchain-text-splittersfrom langchain_text_splitters import RecursiveCharacterTextSplitter# 示例长文本（替换为实际文本）text = """自然语言处理（NLP）是人工智能领域的重要分支，涉及文本分析、机器翻译和情感分析等任务。分块技术可将长文本拆分为逻辑连贯的语义单元，便于后续处理。"""# 初始化递归分块器（块大小300字符，重叠50字符保持上下文）text_splitter = RecursiveCharacterTextSplitter( chunk_size=300, chunk_overlap=50, separators=["\n\n", "\n", "。", "！", "？"] # 优先按段落/句子分界[2,4](@ref))# 执行分块chunks = text_splitter.split_text(text)# 打印分块结果for i, chunk in enumerate(chunks): print(f"Chunk {i+1}:\n{chunk}\n{'-'*50}")# 依赖安装：pip install sentence-transformers faiss-cpufrom sentence_transformers import SentenceTransformerfrom langchain_community.vectorstores import FAISS# 1. 文本向量化（使用MiniLM-L6预训练模型）model = SentenceTransformer('paraphrase-MiniLM-L6-v2')embeddings = model.encode(chunks)# 2. 向量存储到FAISS索引库vector_db = FAISS.from_texts( texts=chunks, embedding=embeddings, metadatas=[{"source": "web_data"}] * len(chunks) # 可添加元数据)# 保存索引到本地vector_db.save_local("my_vector_db")# 示例查询：检索相似文本query = "什么是自然语言处理？"query_embedding = model.encode([query])scores, indices = vector_db.similarity_search_with_score(query_embedding, k=3)print(f"Top 3相似块：{indices}")
二、知识库和知识图谱
知识库（Knowledge Base）是什么？知识库是结构化、易操作的知识集群，通过系统性整合领域相关知识（如理论、事实、规则等），为问题求解、决策支持和知识共享提供基础平台。
RAG构建知识库的核心在于将外部知识检索与大语言模型生成能力结合，通过高效检索为生成提供上下文支持，从而提升答案的准确性和时效性。（实战的重点在文本分块Chunking和向量化Embedding）
RAG构建知识图谱的关键在于检索与生成的协同，其流程包括：
- 数据预处理：将文档分割为文本块（chunking），并通过命名实体识别（NER）提取实体与关系。
- 知识图谱索引：基于提取的实体与关系，构建初始知识图谱后，运用聚类算法（例如Leiden算法）对图谱中的节点进行社区划分。
- 检索增强：在用户查询时，通过本地搜索（基于实体）或全局搜索（基于数据集主题）增强上下文，提升生成答案的准确性
