蚂蚁集团专家分享了从传统RAG到知识图谱再到Search Agent的技术演进，通过LightRAG构建知识图谱和DeepSearch迭代式搜索，将AI问答准确率从60%提升至95%。方案结合了local与global检索，以及大模型推理能力和工具调用机制，显著提高复杂问题解决率，降低人工工单量，为企业知识库问答提供了高效解决方案。

---

引言

本文来源于5月底参加的 #QECon 深圳站上，来自蚂蚁集团的知识库专家关于「领域知识管理和 AI 问答」的分享。介绍了从传统 RAG 到知识图谱再到 Search Agent，一步一步把 RAG 的正确率从 60% 最终提升到 95%。收获非常大，强烈推荐！

知识库问答业务场景

专家分享的 AI 助手是基于企业内研发知识库，主要目标是降低研发参与咨询工单带来的人力成本消耗，月度工单量数万条。

传统 RAG 优化

要做知识库问答，离不开 RAG。与所有人一样，一切从传统 RAG 方案起步。

传统的 RAG 包括：

• 离线文档处理：文档解析、长文档分片、文本/段落/块等多级别摘要、Embedding 入库
• 在线检索生成：前置意图识别/问题改写/工具调用、多路检索和 Rerank 排序、Qwen14B 生成答案

经过优化后，传统 RAG 方案做到的成功率：

• 文档召回率 80%+
• 最终生成正确率 60%+

由于我做的也是企业内 RAG 问答，同样的经过一点一点优化、经过反反复复的评测，最终成功率与ta分享的差不多，因此看到这个数字深有感触，也加大了对ta经验的信心

传统 RAG 远远不够

为什么传统 RAG 远远不够用？

因为传统 RAG 无法解决复杂的问题场景：

• 传统 RAG 在跨文档召回时的成功率低
• 用户的需求日益复杂，需要多篇文档甚至结合工具调用才能解答
• 知识资产无组织，检索低效，难以发挥出应有价值

解决方案：知识图谱+DeepSearch

1. 使用轻量化 LightRAG 方案，构建知识图谱，解决语义理解对齐和知识跨文档的难题
2. 使用 DeepSearch 迭代式搜索方案，综合多源、多轮搜索结果，利用大模型的推理能力，提高问答的准确性

知识图谱

在知识图谱的构建上实现：

1. 动态实体抽取: 融合领域术语库与LLM，实现混合实体识别技术，确保知识图谱的实时性和准确性。
2. 关系标签自动抽取：基于用户行为反馈优化标签权重，支持增量更新。

基于知识图谱的检索上实现：

1. local检索: 快速定位相关实体子图，提升召回率。
2. global检索: 利用关系标签驱动的语义扩展，解决跨文档关联问题。

最终结合 local、global 以及传统 RAG 优化方案，实现召回率达到 95%+

DeepSearch Agent

优化1：结合迭代式搜索框架的检索Agent

在 DeepSearch 方案中，把传统 RAG 检索（含稀疏检索、稠密检索）、local 图谱检索、global 图谱检索、代码检索等，都作为一个检索工具，交给大模型来选择。

大模型基于推理能力，结合每一轮的检索结果，判断是否需要以及使用什么工具进行下一轮检索。

优化2：结合深度定制工具的领域助手agent

• query理解: 通过让模型自主决定调用哪些工具解决问题。
• 上下文重写: 利用上下文信息进行查询重写，提升查询与知识标签的匹配度，增强理解能力。
• 工具调用: 引入工具调用机制，支持更复杂的操作流程，提高解决问题的能力。
• 优化匹配： 利用领域图谱进行改写；有效解决口语化表达与专业文档之间的匹配难题，显著提升匹配效率和准确性。

业务落地效果

复杂问题解决率显著提高，平均响应时间大幅缩短，人工工单量降低10%。

业务落地覆盖前后端等各技术栈平台，证明方案的泛化性。

零基础如何高效学习大模型？

你是否懂 AI，是否具备利用大模型去开发应用能力，是否能够对大模型进行调优，将会是决定自己职业前景的重要参数。

为了帮助大家打破壁垒，快速了解大模型核心技术原理，学习相关大模型技术。从原理出发真正入局大模型。在这里我和鲁为民博士系统梳理大模型学习脉络，这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码免费领取🆓**⬇️⬇️⬇️

【大模型全套视频教程】

教程从当下的市场现状和趋势出发，分析各个岗位人才需求，带你充分了解自身情况，get 到适合自己的 AI 大模型入门学习路线。

从基础的 prompt 工程入手，逐步深入到 Agents，其中更是详细介绍了 LLM 最重要的编程框架 LangChain。最后把微调与预训练进行了对比介绍与分析。

同时课程详细介绍了AI大模型技能图谱知识树，规划属于你自己的大模型学习路线，并且专门提前收集了大家对大模型常见的疑问，集中解答所有疑惑！

深耕 AI 领域技术专家带你快速入门大模型

跟着行业技术专家免费学习的机会非常难得，相信跟着学习下来能够对大模型有更加深刻的认知和理解，也能真正利用起大模型，从而“弯道超车”，实现职业跃迁！

【AI 大模型面试题 】

除了 AI 入门课程，我还给大家准备了非常全面的**「AI 大模型面试题」，**包括字节、腾讯等一线大厂的 AI 岗面经分享、LLMs、Transformer、RAG 面试真题等，帮你在面试大模型工作中更快一步。

【大厂 AI 岗位面经分享（92份）】

【AI 大模型面试真题（102 道）】

【LLMs 面试真题（97 道）】

【640套 AI 大模型行业研究报告】

【AI大模型完整版学习路线图（2025版）】

明确学习方向，2025年 AI 要学什么，这一张图就够了！

👇👇点击下方卡片链接免费领取全部内容👇👇

抓住AI浪潮，重塑职业未来！

科技行业正处于深刻变革之中。英特尔等巨头近期进行结构性调整，缩减部分传统岗位，同时AI相关技术岗位（尤其是大模型方向）需求激增，已成为不争的事实。具备相关技能的人才在就业市场上正变得炙手可热。

行业趋势洞察：

• 转型加速： 传统IT岗位面临转型压力，拥抱AI技术成为关键。
• 人才争夺战： 拥有3-5年经验、扎实AI技术功底和真实项目经验的工程师，在头部大厂及明星AI企业中的薪资竞争力显著提升（部分核心岗位可达较高水平）。
• 门槛提高： “具备AI项目实操经验”正迅速成为简历筛选的重要标准，预计未来1-2年将成为普遍门槛。

与其观望，不如行动！

面对变革，主动学习、提升技能才是应对之道。掌握AI大模型核心原理、主流应用技术与项目实战经验，是抓住时代机遇、实现职业跃迁的关键一步。

01 为什么分享这份学习资料？

当前，我国在AI大模型领域的高质量人才供给仍显不足，行业亟需更多有志于此的专业力量加入。

因此，我们决定将这份精心整理的AI大模型学习资料，无偿分享给每一位真心渴望进入这个领域、愿意投入学习的伙伴！

我们希望能为你的学习之路提供一份助力。如果在学习过程中遇到技术问题，也欢迎交流探讨，我们乐于分享所知。

*02 这份资料的价值在哪里？*

专业背书，系统构建：

• 本资料由我与鲁为民博士共同整理。鲁博士拥有清华大学学士和美国加州理工学院博士学位，在人工智能领域造诣深厚：

• • 在IEEE Transactions等顶级学术期刊及国际会议发表论文超过50篇。
  • 拥有多项中美发明专利。
  • 荣获吴文俊人工智能科学技术奖（中国人工智能领域重要奖项）。

• 目前，我有幸与鲁博士共同进行人工智能相关研究。

内容实用，循序渐进：

• 资料体系化覆盖了从基础概念入门到核心技术进阶的知识点。

• 包含丰富的视频教程与实战项目案例，强调动手实践能力。

• 无论你是初探AI领域的新手，还是已有一定技术基础希望深入大模型的学习者，这份资料都能为你提供系统性的学习路径和宝贵的实践参考，助力你提升技术能力，向大模型相关岗位转型发展。

  

抓住机遇，开启你的AI学习之旅！