如何在没有矢量数据库的情况下进行 RAG 知识图谱就是您所需要的

介绍

当谈到赋予大型语言模型（LLM）长期记忆时，流行的方法通常涉及检索增强生成（RAG）解决方案，其中向量数据库充当长期记忆的存储机制。这就引出了一个问题：如果没有矢量数据库，我们能否获得相同的结果？

我们将首先探索知识图谱更新的工作原理，并通过两个具体示例来阐明该过​​程。接下来，我们将通过另一个示例检查 RecallM 的推理机制，展示它如何利用知识图谱来生成响应。我们的讨论还将涵盖时间推理的示例，展示 RecallM 在理解和应用基于时间的知识方面的熟练程度。最后，我们将讨论这种方法的局限性，提供对其功能和进一步开发领域的平衡看法。

知识图谱更新

第一轮：添加新事实

假设我们想将以下句子添加到知识图谱中：

布兰登喜欢咖啡

以下是我们需要做的：

第 1 步：确定概念

概念基本上是句子中可以与另一个概念有关系的名词。

概念将是知识图中的节点。

此外，为了避免重复，我们将概念小写并保留为其词根形式。

所有这些都可以使用像Stanza这样的 NLP 包来完成。

以下是使用 Stanza 对句子“Brandon Loves Coffee”的注释：

[
  [
    {
      "id": 1,
      "text": "Brandon",
      "lemma": "Brandon",
      "upos": "PR