检索增强生成
先查资料,再让模型回答
模型脑子里没有你的资料。RAG 的做法是:先把你的问题变成检索条件,从知识库里捞出最相关的片段,连同问题一起交给模型,让它只看这几段来回答。
选一个本地文件夹导入,解析、分块与索引都在本机完成。
关键词与向量并行检索,再融合排序。
引用点一下,回到原文那一段。
默认只上行命中的片段。
文档进来先切分,本体定下怎么归类,图谱连起关系,检索捞出证据。
先查资料,再让模型回答
模型脑子里没有你的资料。RAG 的做法是:先把你的问题变成检索条件,从知识库里捞出最相关的片段,连同问题一起交给模型,让它只看这几段来回答。
向量回答「像不像」,图谱回答「连不连」
很多问题不是「哪一段提到了 X」,而是「X 和 Y 是什么关系」——这条合同条款改了,还影响哪些文件?负责人换人,下面哪些制度要跟着动?向量检索只会捞相似段落,答不了这种多跳问题。GraphRAG 在入库时把实体和关系抽出来建成知识图谱,回答时沿关系多跳检索,把散在不同文档里的证据串起来。
先定义「你的业务里有什么、之间是什么关系」
本体是知识库的世界观:有哪些实体类型(人、组织、产品、合同、条款、设备……)、允许有哪些关系(负责、隶属、引用、替代、适用……)、各自有哪些属性。抽取模型按本体给内容归类。
把一堆文档,整理成一本会自己更新的手册
文档是流水账,Wiki 是说明书。LLM Wiki 让模型读完文档后,把人和事重新组织成互相链接的条目页——一个客户一页、一个产品一页、一项制度一页,每页都带来源引用。
问答带来源,引用点回原文。
授权范围内读写本地文件
只在你指定的目录与知识空间操作,权限随时可收回。
跨应用执行任务
浏览器、Office、企业 IM、内部系统,按流程串联操作。
随时中断与接管
长任务可暂停、修改指令、人工接管关键节点。
离线内网可用
私有化部署下无外网也能运行检索与生成链路。

保留标题层级与表格样式。
公式与格式完整保留。
按模板生成结构与讲稿。
结论直接发布成网页看板。

扫码了解拓维 TopWill