• RAG（Retrieval-Augmented Generation）：从文档中“找证据再回答”，更适合开放域、时效更新快的场景。
• KAG（Knowledge-Augmented Generation）：把结构化知识（知识图谱/数据库）“融进生成过程”，在实体关系与事实一致性上更稳。

RAG与KAG：主要区别

实战建议：多数业务选 RAG 起步；需要强事实一致性/规则推理时上 KAG；混合（GraphRAG/KG-RAG）能同时兼顾覆盖与可信。

RAG：原理、工程要点与开源实战

1. 工作流要点

• 文档管线：清洗 → 分块（保标题层级/表格结构）→ 向量化 → 向量库
• 检索：向量召回（ANN）+ 重排（Cross-Encoder）+ 上下文压缩
• 生成：基于证据回答，标注引用/拒答策略
• 评估：检索命中率、答案一致性、引用可溯源、延迟/成本

1. 最小可跑示例（FAISS + bge-m3 + 任何LLM）
   依赖：pip install sentence-transformers faiss-cpu

示例仅演示“检索到上下文”，生成可对接任意 LLM（OpenAI/Claude/本地模型）。

要接 LLM 生成（可选）

• LlamaIndex 端到端（最省心）：LlamaIndex 负责分块、存储、检索、重排与调用 LLM。
• LlamaIndex Quickstart（RAG）：https://docs.llamaindex.ai/en/stable/getting_started/installation/
• RAG 示例合集：https://docs.llamaindex.ai/en/stable/examples/
• LangChain QA/RAG 用例文档：https://python.langchain.com/docs/use_cases/question_answering/
• Haystack RAG 教程与管线（含重排/评估）：https://haystack.deepset.ai/

1. 开源组件选择（常用）

• 向量库：FAISS（本地）https://github.com/facebookresearch/faiss
  Milvus https://github.com/milvus-io/milvus
  Weaviate https://github.com/weaviate/weaviate
  Chroma https://github.com/chroma-core/chroma
• 嵌入模型：BAAI/bge-m3（多语）https://huggingface.co/BAAI/bge-m3
• 重排模型：BAAI/bge-reranker-large https://huggingface.co/BAAI/bge-reranker-large
• 评估：RAGAS https://github.com/explodinggradients/ragas
  TruLens https://github.com/truera/trulens
  DeepEval https://github.com/confident-ai/deepeval

1. 可复用实战项目/教程

• LangChain Cookbook（多种 RAG 玩法）https://github.com/langchain-ai/langchain/tree/master/cookbook
• Haystack Wikipedia QA 示例：https://haystack.deepset.ai/tutorials
• LlamaIndex “Chat with your docs” 模板：https://docs.llamaindex.ai/en/stable/understanding/querying/

KAG：原理、工程要点与开源实战

1. 工作流要点

• 知识构建：知识图谱/结构化库（实体、关系、属性、来源、时效）
• 实体识别与链接：把文本里的实体映射到图谱节点
• 图检索与推理：路径查询、多跳推理、约束查询（Cypher/SPARQL）
• 知识注入：提示中嵌入三元组/属性卡片、图嵌入、或解码约束
• 生成：基于结构化事实的可控生成（可带来源）

1. 最小可跑示例（Neo4j 小图谱 + Cypher 查询 + 把结果交给 LLM）
   依赖：pip install neo4j

• 图谱搭建/探索：
• Neo4j（社区版+桌面管理）https://neo4j.com/
• Wikidata（真实开放图谱，带 SPARQL）https://www.wikidata.org/
• SPARQL 在线查询（Wikidata Query Service）https://query.wikidata.org/
• 图谱与 LLM 集成：
• Neo4j GenAI 生态与示例合集：https://github.com/neo4j-labs/genai-ecosystem
• LlamaIndex 知识图谱索引与查询：https://docs.llamaindex.ai/en/stable/examples/knowledge_graph/
• 图谱嵌入/推理：
• PyKEEN（知识图谱嵌入）https://github.com/pykeen/pykeen
• DGL-KE https://github.com/awslabs/dgl-ke
• RDFLib（RDF 处理）https://github.com/RDFLib/rdflib

1. 适用场景与实践提醒

• 适合：实体密集、规则明确、需要溯源一致性的任务（合规校验、设备部件关系、医药/专利实体关系、推荐系统特征联动）。
• 工程要点：实体链接质量>一切；定义好本体和命名规范；事实需要来源与时间戳；考虑冲突与版本管理。

混合范式（GraphRAG/KG-RAG）：把“可用”和“可信”都做强

• 思路：先从文档中抽取实体/关系构成轻量知识图谱，再进行图结构检索与生成；同时保留原文片段用于溯源。
• 开源项目
• Microsoft GraphRAG（从文本构图＋分层检索）：https://github.com/microsoft/graphrag
• LlamaIndex KG + 文本 RAG 组合：https://docs.llamaindex.ai/en/stable/examples/knowledge_graph/knowledge_graph_rag/
• 何时选
• 文档繁杂且跨域，需要图结构来理清“谁-与谁-什么关系”；但仍需原文引用与时效更新。

评估与监控：把“看起来会”变成“稳定可用”

• 指标与工具
• 检索：Top-k 命中率、重排提升、覆盖率（BEIR/自建评测集）
• 生成：基于证据的正确性（RAGAS/TruLens）、一致性（同问同答）、拒答率
• 体验与成本：延迟、吞吐、调用费用
• 资源
• RAGAS（自动化评估指标与流水线）https://github.com/explodinggradients/ragas
• TruLens（在线观测/反馈回路）https://github.com/truera/trulens
• DeepEval（可自定义断言/指标）https://github.com/confident-ai/deepeval
• BEIR（检索评测基准）https://github.com/beir-cellar/beir
• HotpotQA（多跳问答）https://hotpotqa.github.io/
• MS MARCO（真实搜索问答）https://microsoft.github.io/msmarco/

快速选型清单

• 你的知识主要是文档、更新频繁 → RAG（向量库 + 重排 + 引用）
• 需要强一致性、图结构推理/约束 → KAG（知识图谱 + 实体链接）
• 两者都要：关键事实入图谱+规则约束，长尾与时效用检索补齐 → GraphRAG/KG-RAG

进一步阅读（论文/技术参考）

• RAG 原创论文：Retrieval-Augmented Generation for Knowledge-Intensive NLP（Lewis et al., 2020）https://arxiv.org/abs/2005.11401
• REALM：Retrieval-Augmented Pretraining（Guu et al., 2020）https://arxiv.org/abs/2002.08909
• Fusion-in-Decoder（FiD, 2020）https://arxiv.org/abs/2007.01282
• Atlas：Few-shot Learning with Retrieval（Izacard et al., 2022）https://arxiv.org/abs/2208.03299
• KnowBERT（知识增强的代表工作，2019）https://arxiv.org/abs/1909.04164
• K-BERT（知识图谱注入，2019）https://arxiv.org/abs/1909.07606
• Microsoft GraphRAG（项目主页）https://github.com/microsoft/graphrag