向量检索、知识图谱与 LLM Wiki：RAG 三大检索技术全景对比

📝

RAG 被嘲笑了三年但企业依然离不开。从全文检索→向量检索→混合检索→知识图谱→LLM Wiki，五大检索技术演进全景。全文检索解决「关键词是否匹配」，向量检索解决「语义是否相似」，知识图谱解决「关系与多跳推理」，LLM Wiki 解决「知识沉淀」。

原文链接：https://mp.weixin.qq.com/s/Gu7JUzs1laOIJYbPgnTmeA
作者：叶小钗

RAG 在网上已经”死过很多遍”了，但企业依然离不开它。因为 RAG 不是某种具体技术，而是检索 + 生成的架构范式——只要大模型无法穷尽所有私有知识，检索的价值就不会消失。

五大检索技术演进

1. 全文检索（BM25 / Elasticsearch）

倒排索引 + BM25 算法。一个词在文档中出现越多、在整个集合中越稀有、文档越短 → 相关性越高。

• ✅ 精确匹配：法规条款、产品型号、专有名词
• ❌ 语义盲区：”员工离职流程” vs “员工解除劳动合同办理规范” → 搜不到

2. 向量检索（Embedding + 向量数据库）

Embedding 模型把文本转为语义空间坐标，语义越近向量越近。余弦相似度判断。

• ✅ 同义词、近义表达、口语化问题
• ❌ 精确匹配弱、chunk 切分影响大（太短丢上下文 / 太长稀释语义）
• ⚠️ 向量检索效果受 chunk 策略、Embedding 质量、召回数量多重因素影响

3. 混合检索（Hybrid Search）

全文 + 向量双路召回，优劣互补。现代 RAG 标配。

4. 知识图谱（Graph RAG）

结构化「实体 + 关系」网络，解决多跳推理。”诺兰导演过哪些莱昂纳多主演的电影？”→ 跨越导演、演员、电影三条关系链。

5. LLM Wiki

Karpathy 范式：LLM 把原始资料”编译”成互相链接的 Markdown 知识库。不依赖向量，查询时直接读编译好的结构化知识页。

关键认知

RAG 的本质不是”一种技术”，而是**”检索 + 生成”的架构范式**。只要存在私有知识、实时信息、动态变化的数据，检索就不会死——变的只是检索内部的技术选型。

本文转载自微信公众号，如有侵权请联系删除。