最近我搭建了一个图数据库（Graph Data Store），用于 RAG 系统 —— 换句话说，我们做了一个 GraphRAG。

如果要搭建一个 Copilot 智能助手，比如支持 知识问答、数据分析、智能托管、AIGC 等众多场景或能力，那么最核心的就是基于LLM进行意图识别分发能力，意图识别的准确率直接决定了 Copilot

为了解决此问题，我们可以对用户问题进行查询增强，比如对用户问题进行意图识别、同义改写、多视角分解以及补充上下文，通过这几个查询增强方式来更好地匹配知识库中的文档片段，提升检索效果和回答效果。

目前的LLM模型，在理解用户意图方面，正在使用自适应Prompt技术，来提升模型的理解能力。目前使用deepseek推理模型能明显看到自适应的一个过程。

今天我们来聊一个每个做AI产品的人都会遇到的经典难题。 想象一下这个场景：用户对着你的智能音箱说：“播放《成都》”。 这问题可就来了。《成都》是一首歌，还是一部同名电影？或者，用户想听的是关于成都的播