RAG

一.GraphRAG与传统RAG的区别 特性 传统 RAG GraphRAG 检索核心 语义相似度（向量距离） 语义 + 拓扑关系（点线网） 理解深度 只能找到“长得像”的片段 能通过“多跳”发现隐含

基于HowToCook项目的菜谱数据，构建一个智能的食谱问答系统。用户可以： 询问具体菜品的制作方法："宫保鸡丁怎么做？" 寻求菜品推荐："推荐几个简单的素菜" 获取食材信息："红烧肉需要什么食材？"

一.混合检索 1.稀疏向量和稠密向量 稀疏向量：也被称为“词法向量”，维度高，但多为0，通常用于关键词的精确匹配，将文档视为一堆词的集合，不考虑其语法和顺序，每一维向量都代表一个词，向量中的非零值代表

一.向量嵌入Embedding 1.什么是Embedding 核心定义：将非结构化的数据（如文本，音频，图片等）映射为低维，稠密，连续的实数向量的过程。 三要素： 数据：原始的数据内容 嵌入模型：深度

1.数据加载 （1）在 RAG 系统中，数据加载器（Data Loader）处于最前端，主要完成以下三个核心任务： 内容提取：将 PDF、Word、Markdown、HTML 等不同格式的原始文档转换

1.RAG定义 RAG，英文全称Retrieval-Augmented Generation，检索增强生成，它通过从外部知识库中检索相关的实时信息，来增强大语言模型的回答生成能力。 2.为什么需要使用