Encode将用户问题进行编码
4
① 文档预处理阶段Additional documents额外文档（知识资料）1. Encode 编码（将文档嵌入向量空间）Embedding model嵌入模型（生成向量，例如 Embedding）② 存储阶段2. Index 建立索引Vector database向量数据库（如 FAISS、Milvus）③ 用户提问阶段Query 用户问题（查询）3. Encode将用户问题进行编码（向量化）④ 相似度搜索4. Similarity search 相似度搜索（基于向量检索相近文档）5. Similar documents 相似文档（Top-N匹配结果）⑤ 构建 Prompt 并送入 LLM6. Query + Documents → Prompt用户问题 + 相似文档 → 构造提示词（Prompt）⑥ 得到最终回答DeepSeek LLM LLM（例如 DeepSeek 大模型）7. Final response最终回答（模型输出）
查询
5
Encode（将文档嵌入向量空间）
+
Vector database向量数据库
Relevant context相关上下文
2
3
9
Embedding model
GenAI 传统 RAG Vs 图谱 RAG：流程对比
构造提示词（Prompt）
6
LLM Graph Generator 图谱生成器
7
Deepseek
① 文档图谱生成Additional documents额外文档1. LLM Graph Generator图谱生成器（基于大模型生成实体-关系图）② 构建知识图谱2. Entities and relationships 实体与关系（结构化的知识单元）Graph database图数据库（如 Neo4j、TypeDB）③ 用户提问阶段Query用户问题3. Encode 编码用户提问④ 相似度与结构化检索4. Embedding model嵌入模型（用于匹配图中的语义节点）5. Graph traversal 图遍历（沿着关系链寻找上下文）6. Encode用户提问也送入嵌入模型7. Similarity search and graph traversal 相似度搜索 + 图谱遍历双重路径⑤ 上下文聚合8. Relevant context相关上下文（不仅仅是文本，而是结构化节点与关系）⑥ 构造结构化 Prompt9. Context + Nodes + Relationships + Query 上下文 + 节点 + 关系 + 用户问题 → 构造 Prompt⑦ 得到最终回答10. Final response 最终回答（生成更有逻辑、解释性更强的内容）
Graph database图数据库
LLM
额外文档（知识资料）
1
最终回答（模型输出）
Similarity search 相似度搜索
Embedding model
Entities and relationships实体与关系
Context 上下文
Index 建立索引
10
传统 RAG
Similarity search 相似度搜索
8
Similarity search and graph traversal 相似度搜索 + 图谱遍历
图谱 RAG
Nodes + Relationships节点 + 关系
