【论文阅读】Agent-RAG + GraphRAG 双框架治疗幻觉

如果你真的想学习大模型，请不要去网上找那些零零碎碎的教程，真的很难学懂！你可以根据我这个学习路线和系统资料，制定一套学习计划，只要你肯花时间沉下心去学习，它们一定能帮到你！

论文：Developing an Artificial Intelligence Tool for Personalized Breast Cancer Treatment Plans based on the NCCN Guidelines关心问题：Agentic-RAG 和 Graph-RAG，在医疗个性化方案治疗上准确率、幻觉问题、医疗指南频繁更新问题1. WHY——为什么提出这项研究？在肿瘤学尤其是乳腺癌临床中，治疗方案需要紧密跟随不断更新的NCCN指南，而这些指南内容庞大、更新频率高。

论文：Developing an Artificial Intelligence Tool for Personalized Breast Cancer Treatment Plans based on the NCCN Guidelines关心问题：Agentic-RAG 和 Graph-RAG，在医疗个性化方案治疗上准确率、幻觉问题、医疗指南频繁更新问题。

GraphRAG：结合知识图谱的检索增强生成技术 针对传统RAG在关系推理、数值处理和全局理解上的不足，GraphRAG引入知识图谱技术，通过构建结构化知识关系网络提升检索能力。微软2024年开源方案显示，GraphRAG利用LLM将非结构化数据转化为知识图谱，支持图查询和深度推理，在库存预测等场景中结合上下文逻辑关系，显著改善回答准确性。相比传统RAG的片段式检索，GraphRAG能捕捉隐性关联，避免冗余信息，并增强对复杂查询（如QFS任务）的处理能力。核心技术包括：知识图谱构建、图检索机制和LLM协同推

我们将结合RAG论文中的思想形成一个RAG代理：路由：自适应RAG（论文）：该框架能够动态路由问题到不同的检索方法，确保检索到最相关的信息以生成响应。回退：纠正RAG（论文）：如果文档被认为与查询不相关，该机制会无缝地回退到网络搜索，确保生成准确且有上下文相关的响应。自我纠正：Self-RAG（论文）：通过在LM生成中引入自我反思，该框架使模型能够修正受幻觉影响或不回答问题的答案，从而增强各项任务的事实性和多功能性。

癌症治疗需要根据患者的临床状况、病史和循证指南采取个性化方法。美国国家综合癌症网络（NCCN）通过流程图、图表等可视化形式提供经常更新的复杂指南，这对于肿瘤学家及时了解治疗方案可能会耗费大量时间。本研究提出了一种由人工智能驱动的方法，以准确自动遵循NCCN指南为乳腺癌患者制定治疗方案。我们提出了两种由人工智能驱动的方法：GraphRAG（图谱检索增强生成）和。

设想你正致力于构建一个智能问答系统，该系统旨在从庞大的知识库中迅速而精确地提取关键信息，并据此生成自然流畅的回答。然而，随着数据规模的不断扩大，系统面临着严峻的挑战：检索效率逐渐下滑，生成内容的质量亦趋于下降。这正是当前众多检索增强型生成（RAG）系统亟需解决的核心问题——如何在数据冗余、检索效率低下以及生成内容不相关之间找到一个最佳的平衡点。RAG 的发展瓶颈:传统 RAG 系统通过检索模型提取最相关的文档，再交给生成模型处理。

（RAG：Retrieval Augmented Generation）技术旨在把信息检索与大模型结合，以缓解大模型推理“幻觉”的问题。近来关于RAG的研究如火如荼，支持RAG的开源框架也层出不穷，并孕育了大量专业领域的AI工程应用。我们设计了一个通用的开源RAG框架，以兼容未来多样化的基础研究建设和工程化应用诉求。

GraphRAG、Naive RAG框架总结主流框架推荐(共23个)：LightRAG、nano-GraphRAG、Fast-GraphRAG、Dify、RAGflow等

文章最初发布于 Neo4j，已获得授权转载。01.概览本文详细介绍了如何使用 Neo4j 图数据库和 Milvus 向量数据库搭建 GraphRAG Agent。这个 Agent 通过结合图数据库和向量搜索的强大功能，能够提供准确且与用户查询十分相关的答案。在本文示例中，我们将使用 LangGraph、Llama 3.1 8B 配合 Ollama 和 GPT-4o。传统的检索增强生成（RAG）系统...

文本检索：基于关键词匹配，擅长精确匹配和术语查找向量检索：基于语义相似度，擅长理解查询意图和同义词匹配Embedding 检索方法通过分别编码 Query 和 Chunk 得到向量，并用余弦相似度评估相关性。优点是可以提前计算Chunk的向量并存储，检索效率高、可大规模向量召回，适合在粗排阶段使用。但这种独立编码方式无法建模两者之间的语义交互。而 Rerank 模型会将 Query 和 Chunk 作为一个成对的输入，同时送入模型进行处理。

【代码】Ollama前端：open-webui。

Vue3中的toValue和unref都是响应式数据解包工具，但存在关键差异：unref仅解包ref对象，而toValue在unref基础上增加了对函数类型的支持，会自动执行函数并返回结果。toValue更适合处理动态计算和多种输入类型的场景，如组合式函数参数标准化；unref则在简单解包和性能敏感场景更具优势。开发者需注意两者对reactive对象和函数参数的不同处理方式，根据实际需求选择合适工具。

使用Java Servlet作为后端核心，配合监听器(Listener)实现应用生命周期管理，前端采用JSP进行动态页面渲染。核心功能包括通过Servlet处理HTTP请求，利用监听器监控ServletContext、Session和Request三种作用域对象的创建销毁及属性变更，实现资源管理和业务逻辑处理。项目中MyListener类实现了多种监听器接口，可捕获对象创建销毁事件及属性变化，为系统提供完善的监控能力。

摘要：在多开发者协作项目中，不同后端服务部署在不同端口或服务器上，导致前端调用接口时面临多端口、跨域等复杂问题。使用Nginx反向代理可统一入口，通过配置/api1/、/api2/等路径将请求转发至对应服务（如本地5051端口或远程服务器）。方案优势包括隐藏服务细节、集中处理跨域、简化前端调用逻辑，并提供负载均衡灵活性。文中给出Nginx安装命令、配置示例及常用操作指令（启动/重启/配置检查等），便于快速部署维护。（149字）

本文深入探讨了虚拟列表中的渲染抖动问题和优化方案。通过分析快速滚动时出现的空白区域和布局偏移问题，提出基于滚动锚定（Scroll Anchoring）的优化方法，包括建立位置缓存系统、动态更新渲染区域、异步调整滚动位置等关键技术。实现方案通过预计算元素位置、记录锚点参考、分批处理DOM更新等手段，显著提升了性能指标：FPS提高81%、滚动延迟降低73%、内存占用减少56%。文章还提供了双缓冲渲染、动态分块加载等进阶优化策略，以及错误处理和边界场景解决方案，最终实现流畅的虚拟列表体验。