知识图谱+多智能体大模型 这篇论文介绍了一种名为“”（Multi-Graph Multi-Agent Recursive Retrieval，简称RAG）的新方法，用于处理复杂法律文档的检索任务。传统的法律文档检索方式面临诸多挑战，尤其是在处理长文本和跨条款、跨文档的依赖关系时。本文提出的RAG方法通过多层次的图结构和多个智能体协同工作，有效提高了检索的效率和准确性。开源代码：https://github.com/whyhow-ai/recursive-retrieval法律文本具有（朱导：医学文本同样如此，存在很多内生性关系），

阅读 856

8赞

收藏 23
2025最新版微软GraphRAG 2.0.0本地部署教程：基于Ollama快速构建知识图谱 微软近期发布了知识图谱工具，支持基于本地大模型（Ollama）快速构建知识图谱，显著提升了RAG（检索增强生成）的效果。本文手把手教你如何从零部署，并附踩坑记录和性能实测！GraphRAG 2.0.0大幅优化了知识图谱的构建效率，结合本地模型可实现隐私安全的行业级应用。若遇到部署问题，欢迎在评论区留言交流！相关资源GraphRAG GitHub仓库Ollama模型库原创声明：本文为作者原创，未经授权禁止转载。如需引用请联系作者。👍你的支持是我更新的最大动力！⚡。

阅读 5.9k

38赞

收藏 54
基于知识图谱的个人知识库探索 千万不要小看知识图谱这根细线，谷歌搜索正是有赖于知识图谱技术的加持，搜索结果又快又准。知识图谱[4][5]（KG, Knowledge Graph）是一种结构化的语义知识库，用于描述物理世界中的概念及其相互关系。它通过将复杂的数据转化为简单、清晰的“实体-关系-实体”三元组，来实现知识的快速响应和推理。例如，“中国-首都-北京”就是一个简单的三元组，其中“中国”和“北京”是实体，“首都”是它们之间的关系。知识图谱被广泛应用于智能搜索、智能问答、个性化推荐、情报分析和反欺诈等领域。

阅读 935

18赞

收藏 6
从知识图谱到精准决策：基于MCP的招投标货物比对溯源系统实践 从最初对人工智能的懵懂认知，到逐渐踏入Prompt工程的世界，我们一路探索，从私有化部署的实际场景，到对DeepSeek技术的全面解读，再逐步深入到NL2SQL、知识图谱构建、RAG知识库设计，以及ChatBI这些高阶应用。一路走来，我们在AI的领域里一步一个脚印，不断拓展视野和能力边界。如果你是第一次点开这篇文章，或许会觉得今天的内容稍有挑战。但别担心，之前我创作的的每一篇人工智能文章都是精心铺设学习前置的基石。

阅读 1.6k

35赞

收藏 37
来自工业界的知识库 RAG 服务(七)，RagFlow 知识图谱实践与优化方案探索 在2024年，我曾撰写过RagFlow 源码全流程深度解析，对 RagFlow 的完整 RAG 流程进行了深入剖析。自那时起，RagFlow 经历了多轮迭代演进，不仅增强了 Agent 能力，更是在知识图谱支持方面取得了显著进展。最近，RagFlow 公众号发布了RAGFlow 0.16.0 特性总览，详细介绍了 RagFlow 对知识图谱机制的优化。本文将对 RagFlow 的知识图谱实现流程与机制进行深入分析，帮助读者更好地理解其实现细节，从而更有效地利用 RagFlow 的相关功能。

阅读 1.3k

25赞

收藏 19
一文全面了解GEO中的知识图谱 知识图谱是一种。

阅读 1.0k

5赞

收藏 10
金融领域知识图谱的命名实体识别与关系抽取研究【附数据】 📊 金融数据分析与建模专家 金融科研助手 | 论文指导 | 模型构建✨ 专业领域：金融数据处理与分析量化交易策略研究金融风险建模投资组合优化金融预测模型开发深度学习在金融中的应用💡 擅长工具：Python/R/MATLAB量化分析机器学习模型构建金融时间序列分析蒙特卡洛模拟风险度量模型金融论文指导📚 内容：金融数据挖掘与处理量化策略开发与回测投资组合构建与优化金融风险评估模型期刊论文✅✅ 感恩科研路上每一位志同道合的伙伴！

阅读 837

25赞

收藏 6
【经验分享】Dify+GraphRAG实现知识图谱智能问答 本文介绍了如何将GraphRAG与Dify集成，以实现大模型根据知识图谱生成回答的功能。首先，通过GraphRAG从知识图谱中检索出上下文内容，然后通过FastAPI编写接口，将上下文传递给Dify。Dify通过HTTP请求节点获取上下文，并利用大模型生成最终答案。文章详细描述了如何修改GraphRAG的源码以输出上下文，并封装查询命令为API接口。此外，还介绍了如何添加LocalSearch API模块，以优化响应时间，避免不必要的模型生成步骤。最终，通过这一系列操作，实现了知识图谱与大模型的集成，提升了

阅读 763

18赞

收藏 17
落地 RAG：向量数据库、知识图谱还是关系数据库？ 在信息爆炸的时代，RAG（Retrieval-Augmented Generation）技术通过结合检索和生成模型，为企业从海量数据中提取有价值信息提供了新途径。然而，企业在落地RAG时需在向量数据库、知识图谱和关系数据库之间做出选择。向量数据库擅长高效检索，尤其在处理高维向量数据时表现出色，但在复杂数据关联和结构化查询方面存在局限。知识图谱在语义理解和关系挖掘方面具有优势，但构建和维护成本较高，且在大规模文本检索中效率较低。关系数据库在处理结构化数据时可靠且一致，但对非结构化数据和语义检索支持不足。选择哪

阅读 576

24赞

收藏 10
作者推荐
fanjianglin
诗歌是灵魂，数学是血液！数据是我的素材，开发是我的工作！
关注
杭州悦数
国产原生分布式图数据库，带你实时探索海量关联数据
关注
三月七꧁ ꧂
尚未佩妥剑，转眼便江湖。愿历尽千帆，归来仍少年！ ​跨考计算机上岸，下一站：月薪3W！
关注
嘉羽很烦
慢慢慢慢，凡事平常心
关注
北京橙溪 www.enwing.com
https://www.enwing.com 想成为远程兼职研发人员吗？有项目要研发吗？来www.enwing.com
关注
renhongxia1
人工智能算法工程师、数字孪生、大数据、嵌入式人工智能培训V18513418009
关注
魔王阿卡纳兹
喜欢烟雨江南的书!
关注
飞速低代码平台
专注于云原生全场景低代码及数字基础设施
关注
Debroon
致力于AI（未来最有生产力）和WEB3（未来最有消费力），偏 AI 医疗、深度学习和强化学习（对标DeepMind）。 WEB3 投研科学家系统性心得，让天下没有痛苦的创业者和家庭，让自己越来越自由。
关注
麦麦大数据
开发经验14年,全栈工程师，尤其擅长各类vue、Java、python框架，目前工作内容主要是数据分析+算法设计
关注