核心内容摘要
不止于鞋：Nike成品网站，解锁你的潮流基因与无限可能
GraphRAG与传统RAG的区别特性传统 RAGGraphRAG检索核心语义相似度向量距离语义 拓扑关系点线网理解深度只能找到“长得像”的片段能通过“多跳”发现隐含联系信息组织孤立的文档块Chunks结构化的实体与关系网络复杂问题难以回答“为什么”、“有什么区别”擅长处理需要逻辑推理的复杂查询
项目结构
数据准备层流程从 Neo4j 提取菜谱、食材、步骤节点并利用 Cypher 关系将它们“缝合”成一篇篇结构化的 Markdown 文档。
举个栗子# 这是 Python 连接 Neo4j 的标准写法。
# 它创建了一个会话Sessionwith 语句确保查询完成后连接会被正确关闭不会占用资源。
with self.driver.session() as session: # 加载所有菜谱节点从Category关系中读取分类信息 # match匹配节点-where过滤条件-optional可选操作-with聚合处理 recipes_query MATCH (r:Recipe) WHERE r.nodeId 200000000 OPTIONAL MATCH (r)-[:BELONGS_TO_CATEGORY]-(c:Category) WITH r, collect(c.name) as categories RETURN r.nodeId as nodeId, labels(r) as labels, r.name as name, properties(r) as originalProperties, CASE WHEN size(categories) 0 THEN categories[0] ELSE COALESCE(r.category, 未知) END as mainCategory, CASE WHEN size(categories) 0 THEN categories ELSE [COALESCE(r.category, 未知)] END as allCategories ORDER BY r.nodeId 作用将图里的“点”重新变成 LLM 容易理解的“文”同时保留了节点 ID 供后续回溯。
索引构建层流程向量索引用Milvus存储文本向量负责“模糊语义搜素”图索引KVK索引键简短词汇或短语V详细描述段落包含相关文本片段。
将实体菜谱、食材烹饪步骤存入内存字典负责“精确关键词匹配”。
栗子# 处理菜谱实体 for recipe in recipes: entity_id recipe.node_id # 没有名字就用id拼凑一个 entity_name recipe.name or f菜谱_{entity_id} # 构建详细内容 content_parts [f菜品名称: {entity_name}] # 解析菜谱里的属性 if hasattr(recipe, properties): props recipe.properties if props.get(description): content_parts.append(f描述: {props[description]}) if props.get(category): content_parts.append(f分类: {props[category]}) if props.get(cuisineType): content_parts.append(f菜系: {props[cuisineType]}) if props.get(difficulty): content_parts.append(f难度: {props[difficulty]}) if props.get(cookingTime): content_parts.append(f制作时间: {props[cookingTime]}) # 创建键值对 entity_kv EntityKeyValue( entity_nameentity_name, index_keys[entity_name], # 使用名称作为唯一索引键 value_content\n.join(content_parts), entity_typeRecipe, metadata{ node_id: entity_id, properties: getattr(recipe, properties, {}) } ) # 以id为主键存入主仓库 self.entity_kv_store[entity_id] entity_kv # 以名称为主键建立搜索目录 self.key_to_entities[entity_name].append(entity_id)作用确保系统既能听懂用户的“言外之意”向量也能记住“菜谱”键值对。
智能路由层流程利用LLM预先分析用户的问题。
简单问题 →\rightarrow→ 走传统混合检索。
复杂问题带“为什么”、“如何”、“关联” →\rightarrow→ 走图 RAG 检索。
作用降本增效。
简单问题不用大费周章查全图复杂问题不遗漏。
核心检索层流程双层检索同时在实体级具体菜谱和主题级菜系/风格发力。
多跳遍历这是图RAG的核心优势通过图结构发现隐含的知识关联。
沿着图的箭头走
步找关联知识。
合并策略用 Round-robin轮询把图谱结果和向量结果公平地凑在一起。
作用这是 GraphRAG 的精髓它带回来的不是一段话而是一张逻辑关联网。
生成集成层流程将检索到的多维信息注入“自适应提示词Adaptive Prompt”调用大模型生成答案。
作用负责流式输出、重试机制确保用户看到的回答既专业又亲切。
学习资源推荐如果你想更深入地学习大模型以下是一些非常有价值的学习资源这些资源将帮助你从不同角度学习大模型提升你的实践能力。
全套AGI大模型学习路线AI大模型时代的学习之旅从基础到前沿掌握人工智能的核心技能因篇幅有限仅展示部分资料需要点击文章最下方名片即可前往获取
640套AI大模型报告合集这套包含640份报告的合集涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。
无论您是科研人员、工程师还是对AI大模型感兴趣的爱好者这套报告合集都将为您提供宝贵的信息和启示因篇幅有限仅展示部分资料需要点击文章最下方名片即可前往获取
AI大模型经典PDF籍随着人工智能技术的飞速发展AI大模型已经成为了当今科技领域的一大热点。
这些大型预训练模型如GPT-
BERT、XLNet等以其强大的语言理解和生成能力正在改变我们对人工智能的认识。
那以下这些PDF籍就是非常不错的学习资源。
因篇幅有限仅展示部分资料需要点击文章最下方名片即可前往获取