数据存储：依赖向量数据库，将文本分割为片段后编码为向量。 结构特点：知识以独立的文本块形式存储，缺乏显式的语义关联。 局限性：难以捕捉跨文档或长文本中的复杂关系（如实体关联、事件因果）。
数据存储：构建知识图谱（Knowledge Graph），将文本中的实体、关系、事件等结构化存储为节点和边。 结构特点：知识以图结构组织，显式建模实体间的关系（如“A是B的母公司”或“C导致D”）。 优势：支持全局推理和复杂关系的跨文档检索。
检索方式：基于向量相似度匹配，直接检索与问题最相关的文本块。 局限性：可能遗漏分散在多个文本块中的关联信息。对长距离依赖或复杂逻辑推理的支持较弱。
图遍历：通过知识图谱的边（关系）检索相关实体和子图。 子图匹配：提取与问题相关的局部图谱，保留上下文关系。 优势：支持多跳推理（例如从“A导致B”和“B导致C”推断“A间接导致C”）。能捕捉隐含的全局语义。
输出特点：依赖检索到的文本块直接生成答案，可能缺乏逻辑连贯性。 适用场景：简单问答、短文本生成（如单篇文档摘要）。
输出特点：基于图谱的结构化知识生成答案，更擅长复杂推理（如因果分析、事件链解释）。 适用场景：需要多文档关联的复杂问题（如“分析某公司股价下跌的原因”）。对逻辑连贯性和可解释性要求高的任务。
docker部署； 离线docker部署； 免docker部署，完全本地部署，源码安装
传统推荐可能基于协同过滤（相似用户喜欢什么），但无法解释“为什么推荐A商品”（如材质偏好、品牌忠诚度）。
传统检索可能返回事件的时间线报道，但无法自动梳理因果链（如“地缘冲突→天然气断供→德国制造业成本上升”）。
