"检索增强生成 (Retrieval Augmented Generation，RAG) 系统能够自动选择领域特定的上下文供大语言模型(Large Language Model，LLM)使用，这大幅提升了LLM生成准确且内容真实的响应的能力。GraphRAG模式采用知识图谱构建RAG的输入，巧妙利用数据中的现有关系，生成内容丰富且相关性高的提示词。 《GraphRAG实践：使用知识图谱提升LLM和RAG应用性能》一书详细介绍了如何构建和部署生产级别的GraphRAG系统，如何从文本中提取结构化知识，以及如何融合基于向量与图的检索方法。另外，还涵盖了构建向量相似性搜索检索工具、开发Agentic RAG应用及评估性能与准确性等诸多内容的实践案例。 核心内容： ?嵌入技术、向量相似性搜索与混合搜索 ?将自然语言转换为Cypher数据库查询语句 ?微软的GraphRAG管道 ?Agentic RAG "

"托马兹???布拉塔尼奇(Toma? Bratani?)是Manning出版社Graph Algorithms for Data Science(中文译本《数据科学的图算法》)一书的作者，也是LangChain和LlamaIndex的贡献者，他在图技术、机器学习和生成式AI领域拥有丰富的经验。奥斯卡???哈内(Oskar Hane)担任Neo4j生成式AI工程团队负责人。"

中文版推荐序一 作为在知识图谱与知识增强领域深耕多年的研究者，我非常有幸能为《GraphRAG实践：使用知识图谱提升LLM和RAG应用性能》这本书撰写这篇推荐序。 在通用人工智能的浪潮中，大语言模型(LLM)展现出了令人惊叹的语言理解与生成能力。然而，随着应用场景从简单对话延伸至复杂的企业级任务，LLM在知识幻觉、时效性滞后以及垂直领域知识匮乏等方面的局限也愈发凸显。为了弥补这些缺陷，检索增强生成(Retrieval-Augmented Generation, RAG)应运而生，并迅速成为大模型落地的标准范式。 从向量检索到图谱增强：RAG的演进必然 早期的RAG主要依赖向量检索(Vector-based RAG)。这种方法通过将文本片段转化为高维向量，利用相似度匹配来获取上下文，在处理非结构化语义匹配上表现出色。然而，它本质上是一种点对点的检索，难以处理复杂的、跨文档的关联性问题。当用户提出需要全局视野或多步推理的问题时(例如，“分析该行业近五年的供应链风险演变”)，传统的向量RAG往往因缺乏结构化的语义联系而陷入碎片化，导致回答流于表面甚至出现事实性错误。 向量检索的这一结构性缺陷，决定了图谱增强并非锦上添花，而是填补空白的必然选择。知识图谱天然具备表达复杂关联、支持逻辑推理和提供确定语义上下文的能力，而这些正是向量检索所欠缺的。正如我曾指出的：“智能的本质不仅在于对信息的感知，更在于对知识关联的深度建模”。在此基础上，GraphRAG(基于知识图谱的检索增强生成)将结构化的实体关系与非结构化的语义向量相结合，为LLM提供了一套更具逻辑性、可解释性和全局视野的...