能源知識庫

重點摘述

傳統的檢索增強生成（RAG）技術透過向量相似性檢索文本片段，有效提升了大型語言模型（LLM）回答的準確性和時效性。然而，傳統 RAG 難以處理複雜的關係推理和跨文件的全局上下文。Graph RAG (圖形檢索增強生成) 正是為了解決這些局限性而出現的下一代技術。

Graph RAG 的核心思想是將非結構化資料轉換為結構化的知識圖譜（Knowledge Graph, KG），利用圖譜中的節點（實體）和邊（關係）來捕捉資料間的複雜語義關聯。在檢索階段，系統不再僅依賴語義相似度，而是透過圖遍歷（Graph Traversal）或社群挖掘（Community Detection）等圖演算法，擷取與問題相關的子圖結構和社群摘要。這些結構化的、上下文更豐富的資訊隨後被送入 LLM，作為生成回答的依據（Grounded Context）。

Graph RAG 的關鍵優勢包括：顯著提升複雜查詢下的回答準確性（特別是多跳推理）、減少幻覺、提供可解釋性（因為可以追溯到圖譜中的特定關係路徑），以及更有效地綜合大規模資訊。這項技術在金融詐欺偵測、醫療診斷輔助、企業知識管理和產品推薦等需要理解複雜關聯的領域，展現出巨大的應用潛力，標誌著生成式 AI 應用進一步邁向精確化和智能化。