如何用“图增强 RAG”提升中文问答体验 - 链载Ai

想象一下，你的问答机器人不再是“关键词搬运工”，而是个真正会“思考”的小伙伴：它能把相关知识串成思路，再用轻松的口吻给你讲清楚。以下这套基于 Graph RAG（Graph-Enhanced Retrieval-Augmented Generation）的方案，既保留了检索效率，又增强了逻辑可解释性，适合中文内容库。

一、为什么要把“图”搬进检索里

摆脱关键词束缚
传统 RAG 单纯靠向量或关键词匹配，容易对多跳、跨文档问题无能为力。
捕捉知识关系
把“概念”和“文档片段”当成节点，用边标注它们的关联程度，检索时就能沿路径找答案。
可视化检索链路
结果不光给你答案，还能展示“为什么这么找”，便于审计和优化。

二、技术流程概览

1. 文本分片

defchunk_text(text, chunk_size=800, overlap=150):
  chunks = []
 foriinrange(0, len(text), chunk_size - overlap):
    part = text[i : i + chunk_size]
   ifpart:
      chunks.append({
       "id": len(chunks),
       "text": part
      })
 returnchunks

将长文本分成大约 800 字的小块，重叠一部分保证上下文连贯。

2. 概念抽取

defextract_concepts(text):
  prompt =f"请列出下面这段中文的 5–8 个核心关键词或实体：\n{text[:200]}…"
  resp = client.chat.completions.create(
    model="chatglm-6b",
    messages=[{"role":"user","content":prompt}],
    temperature=0
  )
 return[c.strip()forcinresp.choices[0].message.content.split(",")]

给每个片段贴上“标签”，让不同内容靠“共同标签”连接。

3. 构建知识图谱

importnetworkxasnx
fromscipy.spatial.distanceimportcosine

defbuild_graph(chunks, embeddings, concept_lists):
  G = nx.Graph()
 foridx, chunkinenumerate(chunks):
    G.add_node(idx, text=chunk["text"],
         emb=embeddings[idx],
         concepts=concept_lists[idx])
 foriinrange(len(chunks)):
   forjinrange(i+1, len(chunks)):
      shared = set(concept_lists[i]) & set(concept_lists[j])
     ifnotshared:continue
      sim =1- cosine(embeddings[i], embeddings[j])
      conc_score = len(shared) / min(len(concept_lists[i]), len(concept_lists[j]))
      weight =0.7* sim +0.3* conc_score
     ifweight >0.6:
        G.add_edge(i, j, weight=weight)
 returnG

边的权重由“向量相似度”与“概念重叠度”共同决定，过滤掉微弱关联。

4. 图遍历检索

importheapq

deftraverse_graph(query_emb, G, top_k=3, max_depth=2):
  sims = [(1- cosine(query_emb, G.nodes[n]["emb"]), n)forninG.nodes]
  sims.sort(reverse=True)
  heap = [(-s, n,0)fors, ninsims[:top_k]]
  heapq.heapify(heap)

  seen, result = set(), []
 whileheap:
    score, node, depth = heapq.heappop(heap)
   ifnodeinseenordepth > max_depth:continue
    seen.add(node)
    result.append(( -score, node ))
   fornbr, datainG[node].items():
      next_score = -score * data["weight"]
      heapq.heappush(heap, (next_score, nbr, depth +1))
 return[nfor_, ninsorted(result, reverse=True)][: top_k *2]

先选几个相关度最高的“起点”，再沿着图里的边“多跳”扩展，平衡深度和效率。

5. 生成回答

defgenerate_reply(query, selected_chunks):
  context ="\n\n---\n\n".join(c["text"]forcinselected_chunks)
  prompt =f"以下是检索到的上下文：\n{context}\n\n请用轻松自然的口吻回答：{query}"
  resp = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=[{"role":"user","content":prompt}],
    temperature=0.3
  )
 returnresp.choices[0].message.content

把摘出的关键片段拼起来，让大模型在“实材实料”的上下文中输出答案。

三、落地示例：在线教育平台

背景：数万页教案、练习题和专家点评。
痛点：学生问“高数链式法则”时，对一堆公式无从下手。
Graph RAG：

分片后提取“链式法则”“导数复合”“变量替换”等标签；
构建图谱，让相似内容连成网；
检索时先找到“链式法则→公式推导→实例演示”等路径；
生成回答时融合多段解释，并插入生活化比喻（“就像做菜要先腌料再下锅”），加深理解。

效果：

学生自测正确率提升 20%；
平均答疑时间缩短 30%。

四、几点建议

分片大小：中文一般 800–1,000 字，重叠 15% 左右；
标签抽取：用对齐度高的中文模型，确保概念准确；
边权阈值：可从 0.6 起，根据业务需求调；
图数据库：想要实时更新和可视化，推荐 Neo4j 或 Milvus + 图插件；
风格把控：提示里写“用自然口吻”，避免“AI生成感”。

用 Graph RAG，不只是让问答系统“能答”，还能让它在知识间“自如穿梭”，从此告别“答案卡壳”的尴尬。动手试试，让你的中文问答更有温度、更顺畅！