向量检索、知识图谱与 LLM Wiki：RAG 被嘲笑了三年，但企业还是离不开它¶
Ch01.1198 向量检索、知识图谱与 LLM Wiki：RAG 被嘲笑了三年，但企业还是离不开它¶
📊 Level ⭐⭐ | 4.9KB |
entities/向量检索知识图谱与-llm-wikirag-被嘲笑了三年但企业还是离不开它.md
向量检索、知识图谱与 LLM Wiki：RAG 被嘲笑了三年，但企业还是离不开它¶
RAG在网上已经死过很多遍了，谁用谁Low，但是实际上很多的企业知识库仍然在使用，并且依然是主流选择方案。
但是，这些论调会把很多人带偏，尤其是对知识库和RAG没有体系化认知的同学。
这里我们首先要理解一个问题：在AI时代，知识库为啥变得如此被需要？
大模型在回答问题时，它只知道公域知识，并不知道我们私域的知识，在这种情况下它就容易出现幻觉，胡乱编造一些看似正确的答案给我们。
为了缓解这个问题，我们可以给大模型外挂一个知识库，让大模型在回答问题时能够参考可信的知识来源。
但新的问题又出现了。
企业知识库中的内容往往很庞大，而大模型的上下文窗口是有限制的，就不可能把所有的知识一次性全部提供给模型。
因此，在回答问题之前，需要先从海量知识中找到与当前问题最相关的信息，再把这些信息作为上下文给到大模型参考回答。
这种解决方案，我们称之为RAG，即知识检索增强生成 ** 。 **
如果给它下一个定义的话： ** RAG 是一种通过动态检索外部知识，并将检索结果作为上下文提供给大模型，从而提升回答准确性、时效性和可解释性的系统架构范式。 **
在理解了这些知识后，我们在看前面的问题，RAG真的会死掉吗？
答案肯定是不会的，因为 RAG 并不是某一种具体的技术，而是一种检索 + 生成的架构范式。只要大模型无法穷尽所有私有知识、实时信息和动态变化的数据，检索的价值就不会消失：
只不过，这几年年RAG 内部采用的技术在不断的演进。
从最早的关键词检索，到向量检索；从单路召回，到混合检索；从传统 RAG，到 Graph RAG、Agentic RAG，本质上都是在不断提升信息获取和知识利用的效率。
接下来，我们就展开讨论下RAG体系下有哪些检索技术：
全文检索¶
全文检索在RAG检索策略中非常常用，可以说是元老级别的存在，其实现以Elasticsearch为代表，在企业内部文档搜索、电商商品搜索、法律案例检索、专利查重等场景的背后都有它们的身影：
它的大致原理是，对用户输入的问题进行分词，然后通过倒排索引找到包含这些关键词的文档，在根据BM25算法计算出每个文档的相关性得分，然后返回排序后的结果。
其中BM25算法公式如下，但对大多数同学来说略微复