Agentic-GraphRAG应用开发实战
输入“/”快速插入内容
Agentic-GraphRAG应用开发实战
Agentic-GraphRAG应用开发实战
垂直领域 Agentic-GraphRAG 开发实战
本节公开课，我们将带大家深入理解垂直领域智能问答系统的核心技术，从 RAG 痛点分析到 GraphRAG 解决方案，再到 Agentic-GraphRAG 的完整实现路径。通过理论讲解与实战演练相结合的方式，帮助大家掌握构建企业级智能问答系统的核心技能。
一、垂直领域 RAG 痛点与 GraphRAG 落地产品
RAG，Retrieval-Augmented Generation，也被称作检索增强生成技术，最早在 Facebook AI（Meta AI）在 2020 年发表的论文《Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks》（ https://arxiv.org/abs/2005.11401 ）中正式提出，这种方法的核心思想是借助一些文本检索策略，让大模型每次问答前都带入相关文本，以此来改善大模型回答时的准确性。这项技术刚发布时并未引发太大关注，而伴随2022年大模型技术大爆发，RAG技术才逐渐进入人们视野，并且由于早期大模型技术应用均已“知识库问答”为主，而RAG技术是最易上手、并且上限极高的技术，因此很快就成为了大模型技术人必备的技术之一。
Naive RAG最简单的RAG技术实现流程：需要围绕给定的文档（往往是非常长的文档）先进行切分，然后将切分的文档转化为计算机能识别的形式，也就是将其转化为一个数值型向量（也被称为词向量），然后当用户询问问题的时候，我们再将用户的问题转化为词向量，并和段落文档的词向量进行相似度匹配，借此找出和当前用户问题最相关的原始文档片段，然后将用户的问题和匹配的到的原文片段都带入大模型，进行最终的问答。由此便可实现一次完整的文档检索增强执行流程。
Naive RAG存在两个主要不足：其一，它难以捕捉跨文档的碎片化信息关联。当答案涉及多个文档的知识点时，纯粹基于语义相似度的检索往往无法将零散信息串联起来，导致答案不够全面。其二，随着数据规模增长，朴素 RAG 的性能和检索质量容易下降，可能出现无关内容干扰答案的情况。这在行业中被称为"上下文中毒"，即检索到的片段中混入了不相关的信息，导致模型生成的答案看似有道理却牛头不对马嘴。以上痛点在医疗、法律等垂直领域尤为突出——这些领域的问题往往要求结合多个证据点，多跳推理才能得出正确结论。
设想一个医疗研究员提出一个复杂问题，需要从多份医学报告中提取关联信息才能回答。如果仅靠传统搜索或单轮问答，很可能出现答案片面或遗漏关键细节的情况。在垂直领域（如医疗、金融），企业内部有大量专有知识，但直接让大模型了解这些专业资料往往困难重重。这就引出了检索增强生成（Retrieval-Augmented Generation，简称 RAG）技术的应用：通过检索外部知识来增强大模型的回答。然而很多团队发现，在垂直场景中直接采用朴素 RAG存在明显痛点，需要我们寻找更有效的改进方案。