今天我们不谈基础的图数据库概念与应用场景,而是聚焦于一个更前沿的融合领域——基于图的 RAG 平台。在大型语言模型席卷全球的当下,企业面临的核心挑战已从如何搭建一个大模型转变为如何安全、高效、低成本地使用大模型处理私有知识。
一、当前大模型落地的现实路径
面对私有化部署和知识更新问题,目前主要有两种路径:微调与纯接口调用。
- 微调:成本高昂、流程复杂,文档的每次更新都可能触发重新训练
- 纯接口调用:无法触及企业内部知识,无法根治模型的幻觉问题。
在这两种方案之间,RAG(检索增强生成)脱颖而出,成为平衡成本、安全性与可行性的主流范式。RAG 的核心逻辑清晰:为内部知识建立索引,在提问时先进行检索,再将精准的上下文喂给大模型,从而生成可靠答案。
然而,当人们谈及 RAG,脑海中首先浮现的往往是向量数据库与嵌入模型。但这条路,真的足够平坦吗?
二、RAG 四大困境
深入实践后,我们发现传统的向量 RAG 存在几个结构性问题。
(一)细粒度检索不足
以《乔布斯传》为例,提问“乔布斯与 Apple 有哪些重要事迹”时,Apple 是决定检索准确性的核心实体。当相关内容集中于以 Apple 为主题的 chunk 中时,向量检索较容易命中。
但若 Apple 相关信息仅在讲述乔布斯个人经历等其他主题的 chunk 中零散出现,其语义权重会被整体主题稀释,导致关键事实难以被准确召回,暴露出向量 RAG 在细粒度检索上的局限性。
(二)关系缺失
文档之间天然存在引用、衍生、对立等复杂关系,向量数据库将文档切分为孤立的片段后,数据的关联随之减弱。
(三)语义鸿沟
语义相似度 ≠ 上下文相关性 。举个相似但不相关的例子,保温杯与保温大棚,两者 token 在很大比例上表达共同的语义:“保温”。但在一些场景下,想要了解保温杯却召回了保温大棚的信息。
RAG 在索引阶段即使设置了比较高置信度,也很可能因为其相似性而得到不相关的信息。
*(四)全局推理乏力*
*"所有文档的核心观点是什么?"、"请总结出最重要的五个发现"。这类需要跨文档综合分析、提炼的*全局性、社区级问题,恰恰是向量检索的短板。****
*三、图的破局:*
*从孤立片段到关联网络*
*如何破局?答案是图数据库。微软研究院一篇重要论文也论证了图数据库在增强 RAG 能力方面的价值。*
事实上,NebulaGraph 在微软之前就率先提出了 GraphRAG,而且微软在论文中也引用了我们的 GraphRAG 相关工作。
NebulaGraph 是分布式开源图数据库,愿景是成为全球第一的图数据库厂商。目前,在 DB-Engines 的…