AI专区
GraphRAG 是什么：知识图谱 + RAG 怎么答「全局性问题」，与普通 RAG 的区别和落地步骤
GraphRAG 先用大模型抽取实体关系建知识图谱，再用社区发现算法分层生成社区摘要，查询时 map-reduce 汇总全局答案，专治普通向量 RAG 答不了的「语料主要讲了什么」类问题，实测全面性胜率 72-83%，文附六步落地流程。
#检索增强生成
AI专区
RAG 检索增强生成是什么：用向量数据库给大模型接上外部记忆
讲清 RAG（检索增强生成）的原理与标准工作流：分块、嵌入、向量库选型与重排，附最小可运行示例，让大模型带着证据回答、显著降低幻觉。
