为什么说知识图谱 + RAG ＞ 传统 RAG？

近期，微软开源GraphRAG的新闻成为热门话题。GraphRAG (Graph-Augmented Retrieval-Augmented Generation) 是一种基于图的检索增强生成技术，结合了知识图谱和传统的检索增强生成（RAG）方法，旨在提升大语言模型处理私有数据集问答的能力。

本文从知识图谱的原理等角度，结合一个 GraphRAG 的生动类比，说明了为什么知识图谱+RAG 的方案优于传统的 RAG 方案。

• 作者介绍：Divyanshu Dixit，Divisin.ai 联合创始人
• 原文链接：https://div.beehiiv.com/p/knowledge-graph-rag-naive-rag

以下为译文：

01 什么是知识图谱？

你是否曾觉得自己的大脑充斥了一团乱麻般的随机事实？知识图谱模拟了我们大脑思考事物，以及事物间关系的方式，同时又规避了大脑会遗忘和错误决策等问题。

我们可以将知识图谱视为带了主语、谓语和宾语的三元组。它们将信息表示为一个由相互连接的实体组成的网络，以及实体之间的关系。本质上，知识图谱利用基于图的数据模型，其中节点代表实体（如人、地点或概念的主体和宾语），边表示这些实体之间的关系或谓语。

OpenSPG 是一个语义增强的可编程知识图谱，GitHub地址如下，欢迎大家Star关注~

https://github.com/OpenSPG/openspg

换句话说，你可以把知识图谱看做是对经典"六度分隔"理论的数据层面的呈现，而且它不仅仅是将你连接到 Kevin Bacon，而是在一个广阔而多维的关系网络中链接所有可能的实体。

图片来源：Langchain

知识图谱的真正魔力在于其近乎超自然的连接数据能力，而且灵活且可扩展