知识图谱

AI May 05, 2026

LLM Graph Builder：Neo4j 的 RAG 到图谱管线

传统检索增强生成（RAG）的局限性随着组织将 AI 系统部署到生产环境而变得越来越明显。向量搜索——传统 RAG 的骨干——在寻找语义相似的文档块方面做得不错，但它从根本上缺乏结构理解。它无法表达「Apple 在 2014 年收购了 Beats」涉及两个具有特定类型和日期的实体之间的关系。 …

AI May 04, 2026

检索增强生成已成为将 LLM 响应建立在事实知识上的标准方法。但标准 RAG 有一个众所周知的限制：它在处理需要跨多个文档或实体连接信息的多跳问题时表现不佳。当一个问题问到「电话发明者出生国家的首都是什么？」时，答案需要在知识图谱中追踪一条路径——这是平面文本检索难以处理的。GNN-RAG …

AI May 04, 2026

多代理 AI 范式已激发了开发者和研究者的想象力。这个愿景引人入胜：专业代理协同工作，各自贡献独特的能力来解决单一代理无法单独处理的复杂问题。但构建这样的系统已被证明是困难的。代理之间的通信、共享上下文、任务分解和推理可追溯性都带来了严峻的工程挑战。Chat2Graph 由 TuGraph …

AI May 02, 2026

LightRAG 是香港大学 (HKU) 的一项研究项目，重新构想了使用知识图谱的检索增强生成（RAG）。该项目已被 EMNLP 2025 收录，以基于图形的架构取代传统的平面向量存储方法，从文档中提取实体及其关系，为 LLM 应用提供显著更好的上下文理解。