第11章：前沿 RAG 范式：GraphRAG 与多模态 RAG.pptxVIP

第11章前沿RAG范式：GraphRAG与多模态RAG突破传统检索瓶颈，构建深度推理与多模态能力第11章大模型全栈工程师（微调+RAG+部署）实战课程

PART01GraphRAG：从文本匹配到关系推理传统RAG的核心瓶颈与挑战关系理解缺失仅依赖向量相似度检索，无法捕捉和理解实体间复杂的深层逻辑关系。上下文碎片化强制切分文档导致上下文断裂，破坏了原始文档的结构和完整的逻辑流。多跳推理薄弱难以整合分散在多处的信息点，无法进行跨越多个文档的多步逻辑推导。幻觉风险较高当检索信息不足时，模型倾向于编造看似合理的答案，降低了回答的准确性。

GraphRAG原理与架构▍核心思想将非结构化文本转化为结构化的知识图谱，打破传统向量检索的局限性，在图上进行深度的检索和逻辑推理。01.知识图谱构建(Build)从海量非结构化文本中自动提取“实体-关系-实体”三元组，并清洗存入图数据库中。02.图谱检索与推理(Retrieve)分析用户查询意图，在知识图谱中进行多跳图遍历，精准定位相关的实体集合与关系路径。03.增强生成(Generate)将结构化的图证据与原始问题结合，放入Prompt交给大模型，生成具备可解释性的答案。

GraphRAGvs.传统RAG对比传统RAG(VectorRAG)核心原理文本切片+向量相似度匹配知识表示非结构化