知识图谱与RAG的融合创新：构
建结构化认知智能
汇报人：
01
传统RAG的现状与挑战
平面化检索的三大困境
知识结构空心化逻辑推理链条断裂
人类专家知识体系呈立体状，能自由调用跨领LLM通过概率建模学习知识表层特征，面对多
域知识。而LLM知识表征接近平面化概率分布，步推演任务，如桥梁设计需整合地质勘探、荷
处理深度领域知识交叉问题时，概念关联脆弱。载计算与环保法规等流程时，易陷入“知识拼
例如在医疗领域，传统RAG可能因文本未明确贴”，更像策展人而非思考者。
提及“高血压”，而错过相关治疗信息。
TopK截断问题
检索时系统通常仅保留相似度最高的TopK个文档片段。全局性问题往往涉及众多上下文文档，这种截断
策略会使相关但相似度低的文档被忽略，生成答案时遗漏重要内容。
医疗案例揭示的检索缺陷
01、案例背景02、传统RAG的局限性03、改进的必要性
在医疗知识库场景中，用户询问“哪些药物可传统RAG基于文本块检索，极度依赖相似度向此案例表明传统RAG在处理语义关联时存在不
以治疗高血压？”，知识库中有一段描述“β量检索技术。由于上述文本未明确提及“高血足，难以挖掘隐含信息。因此，需要引入新的
受体阻滞剂可以降低心率，从而减轻心脏负压”，传统RAG可能根本无法将其纳入检索结技术或方法来提升检索的准确性和智能性，以
担”。果，暴露出语义理解的局限性。满足复杂的医疗知识查询需求。
02
知识图谱的结构化优势
节点与边的认知革命
图结构的表达逻辑
图结构通过节点与边来表达实体关系。节点作为独立的实体，涵盖人物、地点、概念等多种类
型；边则描述节点间的关联，如因果、所属等关系。这种表达逻辑让知识呈现更加直观清晰。
多维知识网络的构建
利用图结构，将不同类型的实体及其关系相互连接，能够构建出多维知识网络。例如在历史领
域，将历史人物、事件、时间、地点等作为节点，通过人物参与事件、事件发生在特定时间地
点等关系作为边，形成复杂且全面的知识网络。
认知革命的体现
传统知识表示方式较难全面呈现复杂关系，而图结构带来的认知革命在于，它让我们能从多个
维度理解知识，打破了以往平面化的认知局限，为深入挖掘知识内涵提供了有力支持。
多跳推理的实践突破
123
电影领域的关系链解析跨实体推理能力展示实践突破的意义
在电影领域，演员、导演等实体间存在借助知识图谱，当用户询问“与张艺谋这种多跳推理的实践突破，不仅提升了
复杂关系链。以演员-导演关系为例，演合作过多次的演员有哪些”时，系统能信息查询的效率和准确性，还为影视行
员通过参演电影与导演产生联系，一部通过图谱中演员-电影-导演的关系进行业的研究、分析等提供了新的思路和方
电影往往涉及多个演员和一位导演，形多跳推理，快速找出如巩俐等与张艺谋