模块08 · RAG 与知识库工程 · 第6期 | 北京慧测

企业里“文档陈旧、经验在人脑、AI 生成四不像”。本期引入但问智能自研的 AnythingChatRAG——用知识图谱 + 向量双层检索，让 AI 真正读懂复杂业务文档。这是当前 RAG 领域最值得关注、也最能落地的方向。

AnythingChatRAG GraphRAG 知识图谱双层检索实体关系抽取 Rerank 重排 HyDE RAGAS 评测

GraphRAG 图谱增强

基于 AnythingChatRAG 把文档抽取成实体关系图谱，再做图谱+向量双层检索——复杂业务知识的召回准确率远超纯向量方案

四种分块策略实测

Fix / Recursive / Vector / Paragraph 四种分块横向对比，用 RAGAS 数据选出最适合测试文档的方案

召回调优三板斧

混合检索 + HyDE 查询改写 + Rerank 重排序，把召回准确率拉满

知识库构建方法论：碎片化隐形知识提取（会议纪要/群聊→结构化）

AnythingChatRAG 图谱工程：实体关系抽取、知识图谱构建、图谱+向量双层检索

RAG 分块与召回优化：分块策略对比、Embedding 选型、混合检索/重排序（评测方法论见模块 07）

知识飞轮实战：清洗/去重/降噪管线、定时自动更新、过期知识标记

LLM Wiki vs 传统 RAG vs GraphRAG 场景对比与选型