主要观点：检索增强生成（RAG）通过连接大型语言模型与外部数据源来增强其事实准确性和上下文相关性，而图 RAG 利用知识图克服传统 RAG 的局限性，能更好地链接相关事实并得出可解释的结论，接近人类推理。
关键信息：

• RAG 常无法解释查询与检索信息的关系，限制推理能力。
• 图 RAG 借助知识图，代表实体和关系，能实现更准确、细致和可解释的洞察。
• 构建知识图包括实体和关系提取、实体解析、图填充和可视化等步骤。
• 图 RAG 优于传统 RAG 在于能利用实体间的结构关系，提供更丰富准确且可解释的答案，具有透明度。
• 可通过图嵌入增强图数据，将节点和关系转化为向量空间，提升检索能力。
  重要细节：
• 实体和关系提取使用 Cohere 的 command-a 模型，按约 4000 字符分段处理，防止创建重复节点和保持关系标签一致。
• 实体解析通过模糊字符串相似性识别和合并重复节点，扩展和统一别名列表，规范化关系。
• 知识图存储在图数据库中，如 Neo4j，可通过 Cypher 语言查询和遍历。
• 图 RAG 能通过遍历知识图子图回答复杂问题，如“谁在 Maiwand 战役后帮助了 Watson 及发生地点”。
• 参考文献包括相关研究论文和 Neo4j 文档等。