前沿研究
Graph RAG落地：向量库之外还要补什么
向量检索能找相似文本，却不擅长处理实体关系和复杂逻辑。Graph RAG把知识图谱引入RAG链路，用关系路径补上“谁影响谁、谁属于谁”的信息，适合企业知识库、合同、产品故障等场景。
阅读全文
Search
站内搜索
关键词：LLM优化
找到 4 篇相关文章
前沿研究
前沿研究
企业 RAG 别只盯着向量库
企业知识库的幻觉，很多时候不是大模型单点失控，而是文档解析、分块、召回和引用约束一起出了问题。RAG 要进入生产环境，向量检索只是起点，混合检索、重排序和可追溯来源更关键。
阅读全文
前沿研究
给大模型治“幻觉”：清华Hyper-RAG与TaD的工程解法
大模型基于概率生成文本，难免胡说八道。清华高跃团队提出Hyper-RAG，通过构建知识超图谱将幻觉降低48%。结合京东与清华提出的TaD解码技术，检索增强与任务感知的组合正成为缓解幻觉的务实路径。
阅读全文纯向量检索撑不住了：RAG 2.0 为什么重新捡起知识图谱
在医疗、法律、金融这些不能出错的场景，纯向量检索的错误率仍卡在15%到20%。问题出在它只能算语义相似，算不清逻辑关系。2026年的实践方向是向量管道和图谱管道并行：向量负责召回语境，图谱负责走通因果，LLM做最后编排。
阅读全文