引言

最近因为工作的关系，经常接触到 agent、知识库、RAG 等相关词汇，每次遇到一个新词汇都会去查，了解相关的知识，不过很久没做笔记了。AI时代，越发的膨胀，觉得 AI 无所不能，像笔记这种可以在聊天工具建个笔记本，聊完还能给 AI 长脑子。

说到长脑子，大家有没有想过：AI 是怎么长脑子的？我们跟 AI 对话时，他是怎么去检索信息的？

在没有 AI 聊天工具或者说没有 AI 检索之前，我们一般会用百度、必应或者谷歌等搜索引擎去做信息检索，通过权重、关键词、筛选项以及特定的搜索公式等去获取到我们想要的信息，其实本质还是在做筛选。这里讲的是普遍的信息检索，专业领域的信息检索，比如说特定的知识库检索，用的策略也是一样的。

现在呢？或者说 AI 时代的信息检索是怎么样的呢？现在很多知识库或者搜索引擎都加入了 AI 的能力，以期更精确的搜索到我们想到的内容，或者说更符合我们语义环境的内容。我们的输入不再那么机械化，可以用自然语言去做检索，这在很大程度上降低了信息检索的门槛。那么这背后做了什么呢？

传统 RAG

比如我们输入一句:canace blog china，谷歌搜索的第一条 AI 概览可能会直接返回我的博客摘要，这里是怎么做到这么精准的呢？这就不得不提到 RAG 了，他的工作原理是这样的：

  • 切块 (Chunking)：把所有的文档（PDF、Word）等资料切成一个个比如 500 字的小文本块。
  • 向量化 (Embedding)：把这些文本块转换成一串数字（向量）。
  • 检索 (Retrieval)：当我们提问时，系统把这些问题也变成向量，然后去数据库里找出最像的几块文本，丢给大模型去总结回答。

由此可见，在传统的内容匹配之外，搜索引擎背后的知识库做了内容向量化的工作，在我们提问的时候，通过相似度检索，返回更精确的信息给我们。

这种策略在通用的知识库检索是没什么问题的，如果用在一些专业的知识库，比如前段时间很火的史记知识库等需要关系检索的知识库，RAG 是有点缺陷的：

  • 只见树木，不见森林：如果我们问“这份报告里提到的三大核心风险是什么？”，传统 RAG 只能召回包含“风险”字眼的几页纸，如果风险分散在 10 个不同的章节，它就无法给出全局的宏观总结。
  • 无法连点成线：如果文档 A 写了“张三是 A 公司的法人”，文档 B 写了“A 公司全资控股 B 公司”。当你问“张三和 B 公司有什么关系？”时，传统 RAG 很难把这两块不在一起的文本拼接起来思考。

Graph RAG

Graph RAG 是由微软等公司力推的新一代 RAG 技术。它不再把文档看作孤立的文本块，而是看作一张错综复杂的网，他是这么工作的：

  • 实体与关系抽取：利用 LLM（大模型） 阅读文本，把里面的“人、事、物”（实体）以及它们之间的“属于、喜欢、导致”（关系）全部提炼出来。
  • 构建图谱 (Graph Construction)：将这些实体和关系连接成一个巨大的知识图谱。
  • 社区聚类 (Community Detection)：这是 Graph RAG 的灵魂。它用算法自动把关系紧密的实体划分为不同的“社区（Communities）”，并提前让大模型对每个社区生成“全局摘要”。
  • 检索与生成：提问时，它不仅检索具体的实体，还能直接调用这些“社区摘要”，从而回答关系等宏观问题。

相比于传统的 RAG，Graph RAG 非常擅长回答“这本小说讲了什么故事？”、“这批用户反馈里最核心的三个抱怨点是什么？”等宏观、摘要型的问题。能够轻松顺着图谱的线条找到隐藏在不同文档深处的关联（如：通过 A $\rightarrow$ B $\rightarrow$ C 推导出 A 与 C 的潜在联系）。对于上面谈到的“张三和 B 公司有什么关系”这个问题，就可以很轻易的回答出来。

但是成本差异是很明显的，传统 RAG 只需要对内容做向量化，有个向量数据库基本就能实现精准搜索了。如果用 Graph RAG 的话，还得用 LLM 去整理实体、关系等资料才能构建知识图谱，然后还要去做聚类，这里面的 LLM 调用成本或者说算力成本是一笔巨额开销，除此之外还需要人力去对数据做审核，校验生成的实体关系等准确性等，除了向量数据库的开销还加了个图数据库，比如 Neo4j，社区版是阉割的，支持的图谱层级有限，还得买商业版。

具体选哪个，可以根据知识库的类型和成本做选择，如果是简单的结构化信息，用 RAG 足以，如果还需要复杂的关系检索，有深度推理的需求，可以在用传统 RAG 的基础上辅以 Graph RAG。