Dify 的普通 RAG 对精确问题效果较好,但面对“它能做什么”这类宽泛问题时容易只命中局部片段。通过 InfraNodus 提取主题、概念关系和结构性空白,可以把知识库的全局语义地图注入检索与提示流程,让回答更完整、更有层次。
GraphRAG 把文档切块后抽取实体、关系和声明,构建知识图并用社区检测生成分层摘要,再通过 Map-Reduce 回答面向整个语料库的问题。内容涵盖简单 RAG 的局限、索引流程、查询流程、评估结果和落地注意事项。
RAG 不只是向量检索加大模型生成。一个工程级 RAG 系统需要同时处理语义文档、结构化表格、数据库和知识图谱,并通过 Embedding、Reranker、Text2SQL 与 GraphRAG 协同完成复杂问答。
RAG 系统要处理的不只是向量召回,还包括重排序、结构化数据查询、表格解析和复杂图推理。围绕语义检索、Text2SQL 和 GraphRAG 三条主线,拆解一套可落地 RAG 架构的训练方法、检索流程和工程取舍。