<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>GraphRAG 技术全景：知识图谱增强检索生成的架构、实现与生产实践 :: x7peeps</title><link>https://x7peeps.com/AI/04-RAG%E4%B8%8E%E7%9F%A5%E8%AF%86%E5%BA%93/GraphRAG%E6%8A%80%E6%9C%AF%E5%85%A8%E6%99%AF/index.html</link><description>GraphRAG 技术全景：知识图谱增强检索生成的架构、实现与生产实践 检索增强生成（RAG）已成为企业级 LLM 应用的主流架构——通过将外部知识注入推理过程来缓解幻觉和知识过时问题。然而，传统基于向量相似度的 RAG 在面对多跳推理和全局理解两类问题时暴露了结构性短板：它将文档视为孤立的文本块进行检索，无法捕捉实体之间的复杂关系，更无法对整个语料库进行宏观理解。</description><generator>Hugo</generator><language>zh-CN</language><lastBuildDate/><atom:link href="https://x7peeps.com/AI/04-RAG%E4%B8%8E%E7%9F%A5%E8%AF%86%E5%BA%93/GraphRAG%E6%8A%80%E6%9C%AF%E5%85%A8%E6%99%AF/index.xml" rel="self" type="application/rss+xml"/></channel></rss>