詳細解釋
將知識圖譜（結構化的實體-關係-實體網絡）與 RAG 結合的增強檢索技術，解決傳統向量 RAG 的「黑箱」和「關係缺失」問題。
傳統 RAG 的局限：
- 語義相似不等於邏輯相關：「蘋果公司」和「蘋果水果」向量可能相近
- 關係丟失：「A 的 CEO 是 B」這一事實在純向量中難以查詢
- 可解釋性差：為什麼檢索到這段文本？難以說明
知識圖譜增強：
- 實體鏈接：將用戶查詢中的實體映射到圖譜節點（「喬布斯」→ Apple 創始人）
- 關係遍歷：沿圖譜邊緣查找多跳關係（「喬布斯的女兒的職業」）
- 結構化上下文：將實體屬性和關係作為獨立信息源提供給 LLM
- 可驗證性：每個事實都有來源追溯
實現架構：
- Neo4j + 向量索引：圖數據庫與向量搜索結合
- RDF + LLM：將三元組序列化為文本輸入
- 專用框架：LangChain 的 GraphRAG、LlamaIndex 的 KnowledgeGraphIndex
代表應用：
- 醫療：藥物相互作用查詢（需精確的關係推理）
- 金融：企業關聯分析（股東、子公司、交易對手）
- 法律：法規條款的條件引用（第 X 條適用於 Y 情況）
挑戰：知識圖譜構建成本高（需專家或大量標註），且動態更新困難（新聞事件不斷改變實體關係）。