前言

在当今AI时代，检索增强生成(RAG)已成为提升大语言模型回答质量的关键技术。本文将探讨如何结合知识图谱和向量数据库构建更智能的图RAG系统，让AI回答更准确、更可靠。

图RAG是什么？为什么需要它？

想象一下，传统RAG就像是一个勤奋但视野有限的图书管理员，只能根据关键词匹配找到相关书籍。而图RAG则像是一位博学多才的专家，不仅知道每本书的内容，还了解它们之间错综复杂的关联。

传统RAG虽然能从海量文档中检索相关片段，但它就像戴着眼罩看世界—看到了内容，却看不到内容间的联系。图RAG通过引入知识图谱这把"魔法钥匙"，打开了数据关系的大门，让AI不仅理解"是什么"，还能理解"为什么"和"怎么样"，从而提供更全面、更深入的回答。

目前主要有三种实现图RAG的方式：

一是基于向量的检索，将知识图谱向量化存储在向量数据库中，通过相似度匹配检索。

二是相关实体提示查询检索使用LLM将自然语言转换为SPARQL或Cypher查询语句，直接查询知识图谱。

最后就是二者结合的混合方法，结合两者优势，先用向量搜索初步检索，再用知识图谱进行筛选优化。

实验比较：三种方法的优劣

我们以电子商务产品推荐系统为例，对比三种方法在语义搜索、相似度计算和RAG方面的表现。

方法一：向量数据库检索

首先，我们将产品描述和用户评论向量化存入Milvus向量数据库：

# 定义数据模式
collection_name = "products"
dim = 1536
# OpenAI embedding维度
# 创建集合
collection = Collection(name=collection_name)
collection.create_field(FieldSchema("id", DataType.INT64, is_primary=True))
collection.create_field(FieldSchema("title", DataType.VARCHAR, max_length=200))
collection.create_field(FieldSchema("description", DataType.VARCHAR, max_length=2000))
collection.create_field(FieldSchema("embedding", DataType.FLOAT_VECTOR, dim=dim))
# 写入数据
with collection:
for index, row in df.iterrows():
embedding = get_embedding(row.title + " " + row.description)         collection.insert([             [index], [row.title], [row.description], [embedding]         ])

语义搜索测试：搜索"轻便防水运动鞋"时，返回相关产品：

《超轻透气跑步鞋》

《防水户外徒步鞋》

《多功能运动训练鞋》

这里向量数据库展现了良好的语义理解能力，能找到功能相关的产品，即

使它们的描述用词不完全一致。

当用户询问"推荐适合雨天跑步的鞋子"时，系统检索出相关产品并生成建议：

以下是几款适合雨天跑步的鞋子推荐：
- 防水透气跑步鞋XYZ采用特殊橡胶外底，提供优异抓地力
- 全天候运动鞋ABC配备防泼水面料，轻量设计适合长跑
- 专业越野跑鞋DEF具有排水设计，即使踩水也能快速干燥

然而，我们发现一个问题：向量数据库可能会返回视觉上相似但功能不匹配的产品(如时尚休闲鞋)，这会导致"上下文污染"，使LLM生成的推荐不够精准。

方法二：知识图谱检索

接下来，我们将同样的数据构建成知识图谱：

# 创建实体和关系
g.add((product_uri, RDF.type, Product))
g.add((product_uri, name, Literal(row['title'])))
g.add((product_uri, description, Literal(row['description'])))
# 添加产品属性和分类关系
for feature in features:
feature_uri = create_valid_uri("http://example.org/feature", feature)
g.add((feature_uri, RDF.type, Feature))
g.add((product_uri, hasFeature, feature_uri))

语义搜索测试：我们不仅搜索"防水"标签，还利用产品本体的层级关系，同时搜索相关概念如"防泼水"和"快干"：

# 获取防水的相关概念
related_concepts = get_all_related_concepts("WaterProof", depth=2)
# 将所有概念转为URI进行查询
feature_terms = [convert_to_feature_uri(term) for term in flat_list]

结果返回：

《全天候防水徒步鞋》(标签：防水、耐磨、户外)

《速干涉水溯溪鞋》(标签：快干、防滑、水上运动)

《Gore-Tex专业跑鞋》(标签：防泼水、透气、专业跑步)

知识图谱的优势在于结果可解释性强，我们知道每个产品为什么被选中。

方法三：混合方法

最后，我们结合两种方法的优势：

将产品描述、评论和特性标签一起向量化：
# 创建包含产品特性的向量表示
collection = Collection(name="products_with_features")
collection.create_field(FieldSchema("id", DataType.INT64, is_primary=True))
collection.create_field(FieldSchema("title", DataType.VARCHAR, max_length=200))
collection.create_field(FieldSchema("description", DataType.VARCHAR, max_length=2000))
collection.create_field(FieldSchema("features", DataType.VARCHAR, max_length=500))
collection.create_field(FieldSchema("product_uri", DataType.VARCHAR, max_length=200))
collection.create_field(FieldSchema("embedding", DataType.FLOAT_VECTOR, dim=dim))
先用向量搜索获取初步结果：
# 搜索适合雨天跑步的鞋子
search_params = {     "metric_type": "COSINE",     "params": {"nprobe": 10} }
results = collection.search(     [get_embedding("适合雨天跑步的鞋子")],     "embedding",     search_params,     limit=20,
output_fields=["title", "description", "features", "product_uri"] )
再用知识图谱筛选和排序：
# 筛选出真正具备防水和跑步功能的产品
query = """ SELECT ?product ?title ?description WHERE {   ?product hasFeature ?feature1.   ?product hasFeature ?feature2.   ?product name ?title.   ?product description ?description.   FILTER (?product IN (%s) && ?feature1 IN (%s) && ?feature2 IN (%s)) } """

这种混合方法解决了上下文污染问题，最终返回的都是真正适合雨天跑步的专业鞋款：

《GTX防水专业马拉松跑鞋》

《全天候防泼水竞速跑鞋》

《防滑防水越野跑步鞋》

结论与实践建议

从上面的对比，我们可以看到，向量数据库优势是部署简单快速，Milvus提供高性能向量检索，特别适合大规模产品库。缺点是结果不可解释，且存在上下文污染风险。

知识图谱优势，是结果高度可控和可解释，可以精确过滤无关内容。缺点是需要构建和维护知识图谱，查询编写复杂。

而对于混合方法，则利用Milvus的高效检索和知识图谱的精确性，既保证了检索速度，又提高了推荐质量。在实际应用推荐上，比如做内容推荐，同时考虑主题相似性和内容关联性，避免推荐表面相似但实质不相关的内容，又或者对于客户服务，确保回答不仅相关，还能考虑到产品间的兼容性和搭配关系。

图RAG不仅是技术的组合，更是提升AI系统智能程度的飞跃。通过Milvus的高效向量检索和知识图谱的关系理解，我们的AI不再是简单的"关键词匹配机器"，而是真正理解用户需求的"智能顾问"。

写在最后

2025年的今天，AI创新已经喷井，几乎每天都有新的技术出现。作为亲历三次AI浪潮的技术人，我坚信AI不是替代人类，而是让我们从重复工作中解放出来，专注于更有创造性的事情，关注我们公众号口袋大数据，一起探索大模型落地的无限可能！

普通人如何抓住AI大模型的风口？

为什么要学AI大模型

当下，⼈⼯智能市场迎来了爆发期，并逐渐进⼊以⼈⼯通⽤智能（AGI）为主导的新时代。企业纷纷官宣“ AI+ ”战略，为新兴技术⼈才创造丰富的就业机会，⼈才缺⼝将达 400 万！

DeepSeek问世以来，生成式AI和大模型技术爆发式增长，让很多岗位重新成了炙手可热的新星，岗位薪资远超很多后端岗位，在程序员中稳居前列。

与此同时AI与各行各业深度融合，飞速发展，成为炙手可热的新风口，企业非常需要了解AI、懂AI、会用AI的员工，纷纷开出高薪招聘AI大模型相关岗位。

AI大模型开发工程师对AI大模型需要了解到什么程度呢？我们先看一下招聘需求：

知道人家要什么能力，一切就好办了！我整理了AI大模型开发工程师需要掌握的知识如下：

大模型基础知识

你得知道市面上的大模型产品生态和产品线；还要了解Llama、Qwen等开源大模型与OpenAI等闭源模型的能力差异；以及了解开源模型的二次开发优势，以及闭源模型的商业化限制，等等。

了解这些技术的目的在于建立与算法工程师的共通语言，确保能够沟通项目需求，同时具备管理AI项目进展、合理分配项目资源、把握和控制项目成本的能力。

产品经理还需要有业务sense，这其实就又回到了产品人的看家本领上。我们知道先阶段AI的局限性还非常大，模型生成的内容不理想甚至错误的情况屡见不鲜。因此AI产品经理看技术，更多的是从技术边界、成本等角度出发，选择合适的技术方案来实现需求，甚至用业务来补足技术的短板。

AI Agent

现阶段，AI Agent的发展可谓是百花齐放，甚至有人说，Agent就是未来应用该有的样子，所以这个LLM的重要分支，必须要掌握。

Agent，中文名为“智能体”，由控制端（Brain）、感知端（Perception）和行动端（Action）组成，是一种能够在特定环境中自主行动、感知环境、做出决策并与其他Agent或人类进行交互的计算机程序或实体。简单来说就是给大模型这个大脑装上“记忆”、装上“手”和“脚”，让它自动完成工作。

Agent的核心特性

自主性： 能够独立做出决策，不依赖人类的直接控制。

适应性： 能够根据环境的变化调整其行为。

交互性： 能够与人类或其他系统进行有效沟通和交互。

对于大模型开发工程师来说，学习Agent更多的是理解它的设计理念和工作方式。零代码的大模型应用开发平台也有很多，比如dify、coze，拿来做一个小项目，你就会发现，其实并不难。

AI 应用项目开发流程

如果产品形态和开发模式都和过去不一样了，那还画啥原型？怎么排项目周期？这将深刻影响产品经理这个岗位本身的价值构成，所以每个AI产品经理都必须要了解它。

看着都是新词，其实接触起来，也不难。

从0到1的大模型系统学习籽料

最近很多程序员朋友都已经学习或者准备学习 AI 大模型，后台也经常会有小伙伴咨询学习路线和学习资料，我特别拜托北京清华大学学士和美国加州理工学院博士学位的鲁为民老师（吴文俊奖得主）

给大家准备了一份涵盖了AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频 全系列的学习资料，这些学习资料不仅深入浅出，而且非常实用，让大家系统而高效地掌握AI大模型的各个知识点。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

适学人群

应届毕业生‌： 无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌： 非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能突破瓶颈： 传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

AI大模型系统学习路线

在面对AI大模型开发领域的复杂与深入，精准学习显得尤为重要。一份系统的技术路线图，不仅能够帮助开发者清晰地了解从入门到精通所需掌握的知识点，还能提供一条高效、有序的学习路径。

• 基础篇，包括了大模型的基本情况，核心原理，带你认识了解大模型提示词，Transformer架构，预训练、SFT、RLHF等一些基础概念，用最易懂的方式带你入门AI大模型
• 进阶篇，你将掌握RAG，Langchain、Agent的核心原理和应用，学习如何微调大模型，让大模型更适合自己的行业需求，私有化部署大模型，让自己的数据更加安全
• 项目实战篇，会手把手一步步带着大家练习企业级落地项目，比如电商行业的智能客服、智能销售项目，教育行业的智慧校园、智能辅导项目等等

但知道是一回事，做又是另一回事，初学者最常遇到的问题主要是理论知识缺乏、资源和工具的限制、模型理解和调试的复杂性，在这基础上，找到高质量的学习资源，不浪费时间、不走弯路，又是重中之重。

AI大模型入门到实战的视频教程+项目包

看视频学习是一种高效、直观、灵活且富有吸引力的学习方式，可以更直观地展示过程，能有效提升学习兴趣和理解力，是现在获取知识的重要途径

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

海量AI大模型必读的经典书籍（PDF）

阅读AI大模型经典书籍可以帮助读者提高技术水平，开拓视野，掌握核心技术，提高解决问题的能力，同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说，阅读经典书籍是非常有必要的。

600+AI大模型报告（实时更新）

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

AI大模型面试真题+答案解析

我们学习AI大模型必然是想找到高薪的工作，下面这些面试题都是总结当前最新、最热、最高频的面试题，并且每道题都有详细的答案，面试前刷完这套面试题资料，小小offer，不在话下

AI时代，企业最需要的是既懂技术、又有实战经验的复合型人才，**当前人工智能岗位需求多，薪资高，前景好。**在职场里，选对赛道就能赢在起跑线。抓住AI这个风口，相信下一个人生赢家就是你！机会，永远留给有准备的人。

如何获取？

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】