知识地图
横轴为模块、纵轴为难度层级，虚线为前置依赖（prerequisites）。悬停节点可看标题，点击进入知识点。
入门核心进阶前沿
⌀ 虚线 = 前置依赖
# RAG 与 Graph · 知识库总览
领域边界
核心问题：大语言模型参数中的知识是冻结、有限且不可溯源的。检索增强生成（RAG）通过"先检索、后生成"把外部知识注入上下文；知识图谱（KG）与图方法进一步把知识组织成实体—关系网络，解决纯向量检索搞不定的多跳推理、全局聚合与精确关系查询。本库回答：如何构建、检索、评测与工程化一套"向量 + 图"混合的知识增强系统。
学完能做到什么：
- 独立设计并实现一条完整的 RAG 流水线（解析 → 分块 → 嵌入 → 混合检索 → 重排 → 生成 → 引用）。
- 诊断一个"答非所问/幻觉"的 RAG 系统问题出在哪一环（检索没召回？排序不对？上下文丢失？模型不忠实？），并用对应工具修复。
- 判断一个问题是否需要图：多跳、聚合统计、关系精确匹配问题走图路径；语义模糊匹配走向量路径；并设计两者融合的架构。
- 用 RAGAS 等框架建立评测基线，读懂 GraphRAG/LightRAG 论文并做选型。
前置知识（不属于本库范围，建议先行掌握）：
- 大语言模型基本原理：Transformer、预训练与指令微调、上下文窗口概念。
- Python 与基本数据工程：会读 JSON、调 REST API。
- 信息检索入门：什么是倒排索引、查准率/查全率（本库 02 模块会补齐检索侧必需概念）。
阶段划分
| 阶段 | 内容 | 对应模块 |
|---|
| 入门 | RAG 是什么、流水线五步、为什么需要图 | 01、04 入门篇 |
| 核心 | 分块、嵌入、向量索引、混合检索、重排、上下文工程、评测；KG 三要素与图查询；图构建与图检索模式 | 01–05 |
| 进阶 | 查询变换、检索调优方法论、图神经网络、Microsoft GraphRAG、混合路由架构 | 02–05 |
| 前沿 | Agentic RAG、长上下文 vs RAG 之争、多模态 RAG、安全与提示注入 | 06 |
最小可用路径：kp-001 → kp-002 → kp-004 → kp-007 → kp-009 → kp-010 → kp-013 → kp-014 → kp-016 → kp-018 → kp-022 → kp-025。走完即可搭起"向量 RAG + 图检索入口"的完整骨架，其余按需深入。