LightRAG：图增强检索框架，索引速度提升10倍
LightRAG 是香港大学开源的轻量级检索增强生成系统，创新性采用双层知识图谱架构，结合向量与图谱检索，显著提升复杂查询的准确率与速度。相比 GraphRAG，索引快10倍，支持自动模式切换、多后端存储与异步批处理，助力企业级 RAG 系统高效落地。
知识图谱与大模型：谁将引领未来发展？
本文对比了知识图谱与大模型的技术优劣。知识图谱逻辑清晰、可解释性强但构建繁琐；大模型灵活高效却存在黑盒与幻觉风险。实际工作中，二者并非对立，推荐采用RAG等融合架构，用图谱提供可靠支撑，用大模型快速生成，以兼顾系统可靠性与迭代效率。
知识图谱和大模型哪个才是大方向？
面对高并发与复杂业务，知识图谱与大模型如何选择？本文从架构、性能与落地场景出发，剖析两者优劣：知识图谱可解释性强但维护成本高，大模型灵活高效却存在幻觉风险。推荐融合策略——以图谱为“锚”保障可靠性，以大模型为“浪”提升灵活性，通过RAG、知识增强等方案实现互补，助力系统设计在速度与稳定间取得平衡。
构建AI智能体：三十七、从非结构化文本到结构化知识：基于AI的医疗知识图谱构建与探索
知识图谱是一种用图结构表示实体及其关系的技术，通过三元组（主体-关系-客体）构建语义网络。文章以医疗领域为例，详细介绍了知识图谱的构建流程：数据预处理、实体识别、关系抽取、知识融合、存储与可视化等步骤。知识图谱可应用于智能问答、辅助诊断、药物研发等场景，其结构化特性可弥补大语言模型的不足，二者结合能提升AI系统的准确性和可解释性。文章还展示了基于大模型的医疗知识图谱构建代码示例，涵盖实体识别、关系抽取、图谱存储和智能问答等核心功能，体现了知识图谱在专业领域的实用价值。
