深度解析RAG与模型微调

深度解析检索增强生成（RAG）与模型微调（Fine-Tuning）的实战与融合

• 基础 LLM 存在固有局限：
• 知识裁止：无法获取最新信息。
• 内容幻觉：可能生成不准确或虚构的内容。
• 风格泛化：输出格式和风格通用，缺乏特定领域的专业性。

知识之路：RAG （外挂知识）

在运行时为模型注入动态、精准的外部信息。

能力之路：微调（内化能力） 望造模型的核心行为、风格和遵循特定指令的能力。

知识之路：探索 RAG 的前沿技术

GraphRAG 结合了 LLM 和图索引的优势，以解决大型文本语料库中以查询为中心的摘要挑战。

索引阶段

Element Element Source Text Instances Documents

Pipeline

查询阶段 Community Community Graph Global Query

关键流程解读 1. 索引阶段（Indexing Stage）：提取源文档， 构建包含实体、关系和声明的知识图谱。 2. 查询阶段（Query Stage）：在图上进行查询 ，利用社区检测来定位相关信息集群。 3. 生成（Generation）：对图社区进行分层摘要， 最终生成一个全局答案。

关键启示 RAG 正从简单的向量检索，进化为对结构化知 识进行深度理解和推理。