【DeepSeek R1构建本地RAG知识库】数据结构化清洗-知识图谱制作、使用、dify集成

前言

在构建本地 RAG（Retrieval-Augmented Generation）系统的过程中，我们通常会把注意力集中在向量数据库和嵌入模型上。毕竟，在大多数教程中，数据被处理成向量后直接送入数据库进行相似度检索，看起来已经很高效了。

但这种“线性”的知识组织方式存在一个关键问题：它无法体现知识之间的关联性。

举个例子，如果用户问：“番茄炒蛋怎么做？”RAG 通常能通过语义匹配找到答案。但如果用户继续问：“有没有类似的快手菜？”或者“如果我不吃鸡蛋，有什么替代食谱？”这时候，纯向量检索就显得有些力不从心了——它缺乏对“食材”、“做法”、“类别”等实体之间关系的理解。

而这就轮到了**知识图谱（Knowledge Graph）**大展身手的时候。

为什么需要知识图谱？
知识图谱本质上是一种以“实体-关系-属性”为核心的结构化知识表示形式。它将信息组织成一张张“图”，使得机器可以理解不同知识点之间的逻辑关系：

菜名（如“番茄炒蛋”）与食材（如“番茄”、“鸡蛋”）之间是“包含”关系；
食材（如“鸡蛋”）与菜系（如“早餐”）之间是“属于”关系；
做法步骤之间则有“顺序”关系。
通过这种方式，知识图谱不仅能帮助 RAG 更准确地检索相关信息，还能支持推理、推荐、多跳问答等高级功能。

知识图谱 + RAG = 更强的知识理解能力

一、知识图谱入门

要理解知识图谱，我们要首先了解什么是知识？什么是图谱？很