基于知识图谱的RAG

        RAG（Retrieval Augmented Generation，检索增强生成）是结合检索与生成的AI技术，核心思想是“先检索、后生成”：先从外部知识库（文档、数据库等）中查找与问题相关的信息片段，再将检索内容作为上下文输入大语言模型（LLM），生成更准确、可靠的回答。其效果优化主要分为检索阶段优化和生成阶段优化两大方向，基于知识图谱的RAG正是针对检索环节的优化方案。

        朴素RAG（naive RAG）的典型流程包括：对私有知识库内容进行文本切分、向量化编码、索引构建，再根据用户查询在向量索引中检索相关内容片段，将其作为上下文输入LLM生成回答。

朴素RAG存在显著局限，导致其在高阶任务中表现不佳：

• 检索内容碎片化：返回的是孤立、缺乏结构关联的文本块，在跨文档、跨段落推理场景中，因召回片段缺乏逻辑和语义连贯性，易导致生成结果不准确或片面；

• 结构缺失：无法识别文档间的主题关系；

• 信息冗余与漏召：导致重要信息遗漏或内容重复。

这些问题使其难以应对复杂问答、逻辑推理、多跳检索等高阶任务。

        为解决朴素RAG的检索碎片化问题，基于知识图谱的RAG（Knowle