"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 "