当前位置：

社区首页

电脑数码

软件应用

服务软件

AIGC文章详情

张大妈

GraphRAG：突破传统RAG局限的知识图谱增强检索新范式

源自129位全网作者

06-08 09:11

精选参考来源

终于来了！DeepSeek-V4 正式发布！免费开源，百万上下文，Agent能力直逼Claude！| 零度解说

网络用户 2026-04-24

来自哔哩哔哩

问：上下文（Context）和上下文窗口（Context Window）什么差别？这两个概念经常被混用，但其实指的是不同层面的东西：上下文是指 AI Agent 在执行任务时实际拥有的所有信息，包括系统提示词、用户的对话历史、检索到的文档、工具调用的结果、记忆模块注入的内容等等。你可以把它理解为“Agent 此刻脑子里装的所有东西”。上下文是一个动态的、可以被工程化管理的概念——哪些信息该放进来、什么时候放、怎么组织，这就是现在越来越多人说的 Context Engineering。上下文窗口则是模型层面的一个硬性限制，指的是模型单次推理能处理的最大 token 数量。比如 128K、200K、1M 这些数字，说的就是上下文窗口的大小。它本质上是一个“容器的容量”。打个比方：上下文窗口是你厨房操作台的面积，上下文是你实际摆在台面上的食材、调料、菜谱和工具。台面就那么大（上下文窗口有上限），但你放什么上去、怎么摆放（上下文的管理）决定了你能不能高效做菜。在 Agent 开发中，一个核心挑战就是：Agent 需要的上下文往往远超上下文窗口的容量。对话越来越长、工具调用结果越来越多、检索的文档越来越大——这些都在消耗上下文窗口的空间。所以才需要各种策略来管理：摘要压缩历史对话、选择性检索而不是全量灌入、及时清理不再需要的中间结果等等。简单总结就是：上下文（Context）是“内容”，上下文窗口（Context Window）是“装内容的容器”。做 Agent 工程的核心功夫之一，就是在有限的“上下文窗口”里塞进最有价值的“上下文”。

网络用户 2026-05-14

来自新浪微博

全部
来源

内容由AI生成

1. 终于来了！DeepSeek-V4 正式发布！免费开源，百万上下文，Agent能力直逼Claude！| 零度解说

2. 问：上下文（Context）和上下文窗口（Context Window）什么差别？这两个概念经常被混用，但其实指的是不同层面的东西：上下文是指 AI Agent 在执行任务时实际拥有的所有信息，包括系统提示词、用户的对话历史、检索到的文档、工具调用的结果、记忆模块注入的内容等等。你可以把它理解为“Agent 此刻脑子里装的所有东西”。上下文是一个动态的、可以被工程化管理的概念——哪些信息该放进来、什么时候放、怎么组织，这就是现在越来越多人说的 Context Engineering。上下文窗口则是模型层面的一个硬性限制，指的是模型单次推理能处理的最大 token 数量。比如 128K、200K、1M 这些数字，说的就是上下文窗口的大小。它本质上是一个“容器的容量”。打个比方：上下文窗口是你厨房操作台的面积，上下文是你实际摆在台面上的食材、调料、菜谱和工具。台面就那么大（上下文窗口有上限），但你放什么上去、怎么摆放（上下文的管理）决定了你能不能高效做菜。在 Agent 开发中，一个核心挑战就是：Agent 需要的上下文往往远超上下文窗口的容量。对话越来越长、工具调用结果越来越多、检索的文档越来越大——这些都在消耗上下文窗口的空间。所以才需要各种策略来管理：摘要压缩历史对话、选择性检索而不是全量灌入、及时清理不再需要的中间结果等等。简单总结就是：上下文（Context）是“内容”，上下文窗口（Context Window）是“装内容的容器”。做 Agent 工程的核心功夫之一，就是在有限的“上下文窗口”里塞进最有价值的“上下文”。

3. 在构建RAG Agent时，哪些场景应该用确定性逻辑判断取代LLM的概率推理，具体怎么实现？

4. 《REFRAG: Rethinking RAG based Decoding》Meta最新发布的REFRAG技术，彻底解决了检索增强生成模型（RAG）最大的瓶颈：解码效率低下。相比传统RAG，REFRAG实现了30倍更快的首词生成速度，同时保持零准确率损失。问题核心在于：RAG在输入大量检索段落时，实际只有5-10段内容对生成有用，剩余多数成为计算负担，但模型仍对所有段落进行全面注意力计算，导致时间和内存资源巨大浪费。传统RAG用16K上下文时，首次输出延迟超过100秒，吞吐量下降10倍，内存消耗爆表。REFRAG通过将上下文块压缩成单一嵌入向量，避免了对全部16,384个token的逐一处理，仅需处理约1,024个压缩块嵌入，极大减少计算量。成果显著：- 首词生成速度提升30.85倍- 语义困惑度（perplexity）无损失- 上下文容量扩展16倍（4K token → 64K token）- 性能超越前沿技术3.75倍为何行得通？因为RAG的注意力模式稀疏，大多数检索段落间无交互。REFRAG通过以下三点巧妙利用这一点：1. 预计算并缓存嵌入，推理时重复使用2. 基于强化学习的压缩策略，智能决定哪些块需展开3. 不受位置限制，任意位置均可压缩实际应用优势：- 仅8段文本的延迟即可达到单段处理速度- 在检索器性能较弱时，依然提升准确率- 可支持无限长会话历史- 无需修改基础模型架构这项技术改变了RAG的计算经济学：更多上下文、更低延迟，且成本更优。REFRAG不仅是性能优化，更是RAG从“功能”向“基础设施”转型的关键一步。它告诉我们，提升AI系统效率的关键不在于盲目增加计算资源，而是精准减少无效计算，压缩信息冗余，从根本上优化流程。更多细节和论文链接见：arxiv.org/abs/2509.01092这背后，技术创新带来的不仅是速度，更是未来大规模长文本理解与生成的基石。希望更多开发者和研究者能从中得到启发，推动RAG技术应用迈入新阶段。

5. 基于 Ray 的蚂蚁数据构建引擎在搜推、RAG 场景的实践

6. 大模型上下文工程指南

7. 金融可信智能体：Agentic Engineering 的工程实践与演进

8. 换个电池小卡扣竟然要13万？小损变大修、维修变全损，新能源车为何修不起？#新能源车电池卡扣断裂被定全损 #新能源汽车 #行业痛点

9. 文档平台 Mintlify 发了一篇工程博客，讲了一件挺有意思的事：他们给自家 AI 文档助手造了一套假的文件系统，叫 ChromaFs，让 AI 以为自己在用 grep、cat、ls 这些命令浏览文件，实际上每个命令都被拦截、翻译成了数据库查询。效果很直接：会话启动时间从原来沙箱方案的 46 秒降到 100 毫秒，每次对话的边际计算成本几乎为零。Mintlify 之前的方案是标准的 RAG 流程：把文档切块、向量化、存进 Chroma 数据库，用户提问时检索最相关的片段喂给大模型。问题是，如果答案分散在好几个页面里，或者用户要的是某段精确的代码语法，向量检索经常找不对。他们想让 AI 像开发者翻代码一样翻文档，而不是靠语义相似度碰运气。核心思路是：AI 不需要真的操作系统，只需要一个足够逼真的幻觉。ChromaFs 基于 Vercel Labs 的开源项目 just-bash（一个用 TypeScript 重写的 bash 子集）构建。just-bash 提供了可插拔的文件系统接口，负责解析命令和管道逻辑，ChromaFs 则把所有底层文件操作翻译成 Chroma 数据库查询。每个文档页面变成一个"文件"，每个章节变成一个"目录"，AI 就可以用 grep 搜精确字符串、用 cat 读整页内容、用 find 遍历结构。之前用真沙箱的方案（给每个用户起一个微型虚拟机），按 Mintlify 月均 85 万次对话的量算，一年光计算成本就要 7 万美元以上。ChromaFs 复用了已有的数据库基础设施，这笔钱省了。grep 是最难虚拟化的命令。如果真让它逐文件扫描，走网络 IO 会很慢。ChromaFs 的做法是先把 grep 的参数解析出来，用 Chroma 的元数据查询做粗筛，找出可能命中的文件批量预取到缓存里，再让 just-bash 在内存中做精确匹配。权限控制也很优雅：初始化时根据用户身份裁剪文件树，没权限的路径直接从树里删掉，AI 连路径都看不到，不存在越权风险。所有写操作一律返回"只读文件系统"错误，AI 能随便看但改不了任何东西，整个系统无状态，不用担心清理和数据污染。这篇文章在 Hacker News 上引发了一个有意思的讨论。好几位开发者指出，大家不知不觉中把 RAG（检索增强生成）等同于了向量搜索，但 RAG 里的 R 是 Retrieval（检索），本来可以是任何方式：全文搜索、SQL 查询、甚至翻电话簿。把 RAG 绑死在向量数据库上，是早期技术路径的惯性。有人解释了这种惯性的由来：RAG 概念流行的时候，大模型还不太会用工具，多轮搜索和纠错能力也差，向量检索是当时最省事的方案。现在模型的工具调用和推理能力上来了，让 AI 自己决定用什么方式找信息，反而比预设一条检索管道更灵活。也有人提出了务实的质疑：Mintlify 的场景是结构化的技术文档，天然适合文件系统隐喻，但如果是组织内部那种乱七八糟、没有层级结构的知识库，这套方案未必好使。这个方向和 Claude Code 的做法有相通之处：与其把所有信息预检索好喂给模型，不如给模型一套探索工具，让它自己决定看什么、怎么找。对于正在搭建 AI 文档助手或内部知识库的开发者来说，Mintlify 的这套方案提供了一个向量检索之外的选项，尤其适合文档结构清晰、对精确匹配要求高的场景。

10. GitNexus 是一个把代码库自动转成“知识图谱”的工具，并在此基础上提供 Graph-RAG 与 AI 对话能力，用于让人和 AI 更快理解大型代码库。特点：零服务器、浏览器本地运行、隐私优先。核心能力：1、代码 → 知识图谱项目通过 AST 分析构建图结构。这套流程采用四阶段分析：1）结构扫描2）AST 解析3）依赖解析4）调用图构建最终得到完整代码图。2、Graph-RAG 代码问答与传统 RAG 不同，GitNexus 的检索是图查询。AI 通过 Cypher 查询或图遍历获取上下文，比 embedding 检索更精确。3、零服务器隐私架构项目最突出的设计之一：1）所有分析在浏览器本地运行2）代码不上传服务器3）数据库为 WASM 版图数据库4）API key 本地保存适合企业代码安全场景。4、面向 AI Agent 的设计GitNexus 不只是可视化工具，而是 Agent 基础设施。它能提供：1）影响范围分析2）依赖追踪3）架构检查4）自动化审计目标是让 AI 编程助手具备“架构感知能力”。项目：github.com/abhigyanpatwari/GitNexus#HOW I AI# #程序员# 黄建同学的微博视频

11. 【文档越多检索越不准？高维向量空间的语义坍缩真相】快速阅读：随着文档量增加，高维向量空间的语义边界会变得模糊，导致检索精度大幅下降。解决办法在于从单纯的“搜索”转向基于图结构的“推理”。把成千上万的文档一股脑塞进 RAG，就像试图在一个溢出的堆内存里寻找一个特定变量。随着文档量突破 10,000 这个临界点，语义空间开始变得拥挤。原本清晰的特征簇在极高维度的压缩下逐渐重叠，每个向量看起来都和别的向量“挺像”。斯坦福的研究揭示了这种现象：当规模达到 5 万份文档时，检索精度会暴跌 87%。这其实就是维度灾难。在高维空间里，数据点趋向于分布在边缘，彼此之间的距离变得几乎相等。此时的语义搜索，找出来的不再是那个最精准的答案，而是一堆看起来都“相关”的噪声。有观点认为，这种现象源于工程实现的局限。目前的做法太过于依赖扁平化的向量检索。真正的知识不是散落在空间里的孤立点，而是一张带有层级、时效和权威性的图。如果只做余弦相似度计算，就无法处理法律条文被废止或辖区变更这种逻辑关联。解决路径正从“增加数据量”转向“优化检索结构”。通过 GraphRAG 引入关系约束，或者利用局部上下文窗口来规避全局坍缩。知识的价值在于连接，而非单纯的堆砌。twitter.com/HowToAI_/status/2043713987171492224

12. 【向量数据库被颠覆？一个无需嵌入的RAG新思路】最近开源社区出现了一个有意思的项目PageIndex，它提出了一种完全不同的RAG实现路径：用文档树结构替代传统的向量嵌入，在FinanceBench基准测试上达到了98.7%的准确率。这个方案的核心理念是让大模型直接在文档结构上进行推理，而不是通过关键词匹配来检索。不需要嵌入，不需要分块，完全开源。听起来很激进，但仔细想想，这其实回归了一个朴素的问题：人类阅读文档时，依赖的是什么？是语义相似度，还是章节、标题、表格这些结构化线索？对于金融报告、法律合同、合规文档这类天然具有清晰层级结构的内容，让模型沿着文档树进行推理，确实比把文档切成碎片再用向量匹配更符合直觉。结构优先的检索方式，也让引用溯源变得更加可靠。但社区的实测反馈也很真实。有人指出它目前只能处理单个文档，跨文档比较和相似性匹配这类场景还是需要向量数据库。也有人反映速度偏慢，对于简单查询来说，逐层遍历节点的开销不小。还有人质疑：面对大规模非结构化数据，这种方案能否扩展？一位开发者的评论很中肯：向量数据库能用廉价的数学运算实现毫秒级检索，而PageIndex依赖的是昂贵且缓慢的大模型推理，在需要扫描海量文档的场景下，可行性存疑。所以这不是一个“谁取代谁”的故事。更准确的理解是：RAG的工具箱里多了一件趁手的武器。结构化文档用文档树，非结构化内容用向量嵌入，复杂场景可能需要混合方案。技术选型从来不是非此即彼。真正的答案永远是：在你自己的数据上跑一遍基准测试。 GitHub：github.com/VectifyAI/PageIndex x.com/dr_cintas/status/2019045152350756869

13. GBrain：给你的 AI Agent 装一个「记忆大脑」很多人在用 AI 代理时都会遇到同样的问题：Agent 很聪明，但没有长期记忆。每次对话都要重新解释上下文，遇到复杂任务就容易遗忘或重复劳动。GBrain 就是为解决这个问题而生的。它由 Y Combinator 总裁兼 CEO Garry Tan 亲自开发并实际使用，目前已支撑其 OpenClaw 和 Hermes 两大部署，拥有 17，888 页内容、4，383 位人物、723 家公司，全部在 12 天内完成。GBrain 能自动将会议、邮件、推文、语音通话和灵感实时写入知识库，并通过零 LLM 调用的方式自动抽取实体关系，构建出可自连接的知识图谱。支持混合搜索、结构化时间线、反向链接加权排序，让 Agent 回答「Acme AI 有哪些人」「Bob 本季度投资了什么」这类问题时，远超纯向量检索。GitHub：github.com/garrytan/gbrain主要功能：- 混合检索（向量 + 关键词 + RRF）+ 反向链接加权，P@5 达 49.1%- 零 LLM 调用自动构建知识图谱，支持 30+ 种关系类型- 34 个技能模块，涵盖内容摄取、人物/公司富集、研究综述、任务管理等- 支持 Minions 后台任务系统，确定性工作零 token、零崩溃- 提供 MCP 服务，支持 Claude、Cursor、ChatGPT 等客户端直接接入- 支持 PGLite 本地数据库和 Supabase 云端两种引擎，30 分钟即可搭建完整大脑支持 CLI 和 MCP 两种使用方式，适合个人开发者、研究者和 AI Agent 构建者使用。#AI创造营# #人工智能#

14. AI发达的今天你是如何建立自己的知识库的？如何让它不只是一个知识仓库？

15. 金融可信智能体的工程范式——从单Agent到自进化，蚂蚁数科如何解决归因难题？

16. 攻坚“生产级场景”，金融AI迈入深水区

17. 告别KV Cache枷锁，将长上下文压入权重，持续学习大模型有希望了？

18. Boris（Claude Code 创始人）解释为什么 Claude Code 不用 RAG 向量检索代码：在开发 Claude Code 的早期版本时，我们曾尝试过 RAG 搭配本地向量数据库的方案。但很快我们就发现，Agent 使用关键字搜索在实际应用中的表现通常要出色得多。这种方案不仅实现起来更加简洁，而且还完美避开了 RAG 模式下那些令人头疼的“老毛病”：比如数据安全性、隐私泄露风险、信息滞后以及系统可靠性等问题。

19. 【AI人工智能】题库:纯公益分享【就业+考研】笔试+面试必会【小白从小学Python,C,Java】知识点名称AI中RAG检索增强生成知识点讲解检索增强生成（Retrieval-Augmented Generation，RAG）是一种将检索系统与生成模型结合的架构，模型在生成答案前先从外部知识库（如文档、数据库）检索相关内容，再基于检索结果生成响应，从而缓解大语言模型的幻觉问题、提升答案的事实性和时效性。它通常包括检索器（Retriever，如Dense Passage Retrieval）和生成器（Generator，如LLM）两部分。例题（单选题）RAG的主要优势是什么？A选项：结合外部知识减少幻觉提升事实性B选项：取代模型的参数化知识C选项：仅依赖模型内部参数生成D选项：减少模型参数量压缩体积答案与题解答案、题解：见评论区温馨期待期待大家提出宝贵建议，互相交流，收获更大，助教：lxy#AI创造营# #科技风向标# 网页链接

20. B站基于Neo4j知识图谱与MCP协议：构建万级任务数仓的智能化底座

21. 《扣子开发 AI Agent 智能体应用》014-基于大模型的企业知识库（知识库的理论基础 RAG）

22. AI 医疗还在比进度，百川已在比高度

23. Claude 1M正式上线，价格一分不涨，搭了半年RAG的人崩了。。。

24. WWW 2026｜让MoE路由拥有「记忆」：RMS-MoE用检索记忆协同实现更高效专家调度

25. 说实话，我认为记忆力是目前持续学习的最大障碍。让我夜不能寐的问题是：我们如何利用记忆避免重蹈覆辙？我们如何教会模型有选择地记忆和遗忘？何时呈现正确的背景信息？人类通过记忆巩固、干扰管理和情境绑定自然而然地做到这一点，然而，我们尚未找到复制这种机制的方法。人类海马系统与当前LLM记忆架构之间的差距揭示了一个根本性的挑战：我们基本上构建了两个极端：要么是将所有信息都硬编码到参数中的模型（刚性模型），要么是使用RAG（随机数生成器）机械地检索信息（模糊模型）。真正的持续学习要求我们破解智能检索的密码；不仅要知道存储什么，还要知道抑制什么、何时强化，以及如何让旧知识优雅地消退而不造成灾难性的干扰。非常喜欢这篇调查，因为它从宏观角度展现了 LLM 和多模态模型中的记忆架构（也很喜欢其中受大脑启发的分类法，很棒！）。我会尽我所能系统地绘制出它的图谱。三部分框架：他们围绕新皮层-海马体-前额叶皮层的类比来构建记忆：内隐记忆/新皮层涵盖了嵌入模型权重中的参数知识，包括记忆编辑技术（如 ROME 和 MEMIT，它们通过精确修改权重来更新事实）、通过 LoRA 等适配器注入知识，以及通过记忆遗忘来删除有害内容。显性记忆/海马体研究外部检索系统；RAG架构、向量数据库、知识图谱。它们详细阐述了如何在不同的粒度（文档、组块、句子、图结构）和优化时间（无训练、联合预训练、SFT等）下组织记忆。智能体记忆/前额皮层探索自主智能体如何维持短期记忆（CoT++）与长期记忆（外部事实数据库、历史轨迹、用户反馈等）。我非常喜欢这个关于记忆的思考框架，但我认为除了分类之外，这项调查最大的贡献在于指出了尚未解决的问题：记忆污染/幻觉、大规模检索的计算负担、何时应该检索信息而不是依赖参数化知识，以及长时间交互过程中记忆一致性的挑战#科技先锋官##ai生活指南##ai创造营#

26. AI Agent开发常常需要管理海量对话历史，传统RAG或知识图谱难以实现真正学习，记忆准确率低、长期遗忘严重。Hindsight™ 提供革命性的Agent记忆系统，让AI Agent真正"学会"而非仅"记住"。不仅在LongMemEval基准测试中创下最优性能，还支持世界事实、个人经历、心理模型构建，已被Fortune 500企业投入生产。GitHub：github.com/vectorize-io/hindsight主要功能：- 记忆保留（Retain）：自动提取实体、关系、时序数据构建知识库；- 智能回忆（Recall）：语义+关键词+图谱+时序四路并行检索；- 深度反思（Reflect）：基于记忆生成洞察和决策建议；- 多用户记忆隔离：支持按用户/会话隔离记忆管理；- 生物仿生架构：模拟人类记忆机制（世界事实+经历+心理模型）；- 一行代码集成：LLM Wrapper自动为现有Agent添加记忆能力。支持Docker一键部署、Python/Node.js客户端、嵌入式模式，兼容OpenAI/Anthropic等多种LLM提供商。#AIAgent##AgenticAI##人工智能#

27. Agent 框架记忆问题的解法～用过 LangChain、CrewAI 这些 Agent 框架的都知道一个痛点：它们的记忆管理很鸡肋。大多数框架的做法是：短期放在列表里，长期靠 RAG 检索。听起来合理，实际很脆弱。问题在哪？1. 信息丢失。RAG 只会检索出片段，但对话的整体脉络、为什么重要、前后的因果关系都丢了。用户说"上次那个项目"，Agent 可能查出相关文档，但根本不知道用户为什么关心这个项目。2. 幻觉加倍。Agent 基于零碎的检索结果推理，没有全局认知，自然容易编造细节。3. 记忆冲突。同一件事在不同时间表述可能不一样，Agent 也不知道哪个才是"真相"，结果前后矛盾。核心问题：RAG 本质是"我记不全，就检索部分"——但这对需要全局一致性的 Agent 任务来说，根本不够。文章的解法：混合记忆架构，不是非此即彼，而是分层：第一层：实时记忆 —— 最近 N 轮对话完整保留，一个字都不丢。这保证了 Agent 对当前对话的理解是准确的。第二层：压缩记忆 —— 更早的对话不是直接存，而是压缩成摘要。比如 50 轮对话压缩成"5 个关键决定 + 3 个重要背景"。成本低，还保留了信息密度。第三层：语义检索 —— 用向量数据库索引压缩后的记忆。这样检索时找的是"高浓度摘要"，而不是淹没在海量文档里。第四层：验证 —— 最关键的一步。Agent 每次从记忆里检索出来东西，要自己验证一下："这个旧记忆和我现在的对话一致吗？"不盲目信任。为什么这个方案值得用？1. 解决了 RAG 的致命问题——记忆有连贯性，Agent 知道全局脉络，不再前后不一。2. 成本可控——压缩记忆大幅降低向量库规模和 token 消耗，相比把所有历史都存下来，省一个数量级的钱。3. 可验证——加验证层，Agent 不会死板地信任过期的记忆。适用场景：- 长期对话的 AI 助手（用户期望 Agent 真的"记得我们的历史"）- 复杂多轮谈判或诊断（需要一致决策，不能前后矛盾）- 需要积累知识的任务流不适用的场景：- 单轮或短对话（没必要这么复杂）- 纯知识库查询（RAG 本身够用）原文：dev.to/diego_falciola_02ab709202/every-ai-agent-framework-has-a-memory-problem-heres-how-i-fixed-mine-1ieo#HOW I AI# #程序员#

28. RAG退潮，“文件系统+grep”回归，智能体检索的返璞归真

29. OpenViking：一个非常实用的开源项目，专为AI Agent设计的上下文数据库，通过创新的“文件系统范式”统一管理Agent所需的记忆、资源和技能，彻底解决了传统向量数据库碎片化、检索效果差、上下文不可见的问题。主要亮点包括：- 文件系统管理范式，实现统一结构化管理，轻松浏览和操作上下文，像管理本地文件一样简单- L0/L1/L2三层上下文分级加载，按需调用，大幅降低Token消耗- 目录递归检索策略，结合目录位置和语义搜索，实现更精准、更全局的上下文获取- 可视化检索轨迹，完整呈现检索过程，方便调试和优化- 会话自动管理，自动提取长期记忆，Agent能“用得越久越聪明”支持Python包安装，也有Rust CLI工具；支持多家主流模型提供商，包含Volcengine、OpenAI、Anthropic、本地vLLM等等；同时提供详尽配置示例，轻松上手。新手快速开始示例脚本也非常简洁，几行代码即可增加资源、浏览文件结构、等待语义处理、抽取摘要、执行语义搜索，非常适合开发者验证和应用。同时官方推荐在云服务器（推荐Volcengine ECS + veLinux）环境中部署，保证稳定性和性能。如果你正打造智能Agent或者想优化上下文管理，强烈建议一试OpenViking，这个项目将让上下文管理和检索变得前所未有的清晰、高效、智能。GitHub地址：github.com/volcengine/OpenViking 官网：www.openviking.ai 文档：www.openviking.ai/docs

30. 理解大型代码库、文档、论文常常需要来回翻阅文件，搜索关键词却抓不住架构脉络和设计意图，耗时费力。graphify 把你的代码文件夹、文档、论文、图片瞬间转化为可查询知识图谱，让AI编码助手快速洞察代码背后的"为什么"。支持代码AST结构提取、多模态内容分析（PDF、图片、Markdown），生成交互式图谱、报告和JSON，一键查询连接关系，神节点与惊喜关联一目了然。GitHub：github.com/safishamsi/graphify主要功能：- 自动构建知识图谱，支持代码、文档、论文、图片等多模态输入；- AST精确提取类、函数、调用图、文档字符串和设计注释；- Claude视觉分析图片/手绘图，挖掘跨文件语义关联；- Leiden社区聚类发现架构模块，标记EXTRACTED/INFERRED关系置信度；- 交互式HTML图谱+GRAPH_REPORT.md报告+持久化graph.json；- Git钩子自动同步，支持--watch实时更新和多平台AI助手集成（Claude Code/Codex等）。71.5x token节省，支持 /graphify . 一键运行，开发者必备神器。pip install graphifyy && graphify install#AI编码# #知识图谱# #ClaudeDev#

31. 如何构建上下文图谱（How do you build a context graph）? Context Graph 本质上就是：把「事情是怎么被做成的」这件事结构化下来，变成 AI 可以学习和推理的对象。上下文图谱通过连接人员、文档及行为轨迹，捕捉企业工作的动态过程。它将孤立的知识转化为动作序列，让AI理解“如何”完成任务。通过集成知识图谱与个人数据，系统能自主学习最佳路径，实现端到端业务自动化并确保持续进化。原文：x.com/jainarvind/status/2019553277571190821 #HOW I AI# #程序员#

32. 【用大模型编译你的第二大脑】快速阅读：Karpathy分享了一套用LLM构建个人知识库的工作流，核心是把原始资料“编译”成结构化wiki，让LLM持续维护、查询和增强这个知识库，而不只是回答一次性问题。这套方法正在引发广泛讨论，不少人已独立摸索出了类似路径。---大多数人用LLM的方式，像是每次都重新烧开一壶水，用完就倒掉。Karpathy最近分享的做法，是在烧水之前先挖一口井。具体流程是这样：把论文、文章、代码库、图片等原始资料扔进raw/目录，让LLM把它们“编译”成一个wiki，也就是一堆.md文件，有摘要、有反向链接、有概念条目、有交叉引用。前端用Obsidian查看。重要的是，这个wiki几乎不需要你手动写一个字，全部由LLM维护。当wiki积累到一定体量，比如100篇文章、40万字，你就可以对着它问复杂问题了。LLM会自己去检索、综合、给出答案，然后你可以把答案“归档”回wiki，下次查询的起点又高了一截。每一次探索都在给知识库加砖，而不是消耗完就散。有观点认为，这套方案最有价值的地方，在于知识连接的可能性是指数级增长的。500条笔记，取任意4个主题做交叉推演，组合数达到620亿条路径。stoic哲学、SaaS定价、病毒式传播、育儿，LLM真的可以找到这条路径上某个有用的东西。有意思的地方在于，Karpathy提到自己不需要复杂的RAG架构。LLM自动维护索引文件和摘要，在这个规模下读相关文档不费力气。那些准备好搭复杂向量数据库的人，可能先白忙了。有网友提到，自己把9个月的编程会话全部导出成markdown，建了SQLite全文索引，现在可以直接说“那个音频桥接的问题我们是怎么解的”，几秒钟出来。没有向量数据库，没有embedding，只有markdown加grep。他说这套东西让他在9个月里造了50多个工具，涵盖全栈、OSINT管线、本地CUDA推理，还帮赛车店分析了ECU数据。“每家公司都有一个raw/目录，只是从来没有人编译过它。”Karpathy本人对这句话的反应是：说得对，就是这个。这件事的终点可能是：向frontier LLM提一个问题，自动召唤一组LLM，临时构建一个wiki，lint一遍，循环几轮，生成完整报告。远不是.decode()能描述的事情。至于这个工作流最终会长成一个产品，还是永远是每个人自己的一堆脚本，这个问题目前没有答案。Karpathy说“我觉得这里有空间做出一个了不起的产品”，但他自己还没动手。x.com/karpathy/status/2039805659525644595

33. 分析大型代码库时，经常需要来回切换编辑器、文档、依赖图和搜索工具，AI 助手也常常忽略深层依赖和调用链，造成修改失误。GitNexus 把代码库分析所需的功能全部整合到一起，提供了零服务器的代码智能引擎解决方案。不仅能构建完整的知识图谱（依赖、调用链、功能集群、执行流），还支持 Graph RAG 智能体、MCP 协议集成、多仓库管理，甚至浏览器内可视化探索。GitHub：github.com/abhigyanpatwari/GitNexus主要功能：- 完整知识图谱构建，支持 14+ 编程语言（TS/JS/Python/Java 等）的 AST 解析和跨文件符号解析；- MCP 服务器集成，与 Claude Code、Cursor、Codex 等 AI 编辑器无缝对接；- 智能工具集：影响范围分析、变更检测、多文件重命名、Cypher 图查询；- 浏览器 Web UI，支持拖拽 ZIP/仓库即时生成交互式知识图谱和 RAG 聊天；- 多仓库支持，统一图谱查询执行流和跨仓库合约匹配；- 自动生成 AGENTS.md、技能文件和代码 Wiki 文档。支持 CLI（npm install -g gitnexus）、Docker、多平台本地运行，也提供在线试用 gitnexus.vercel.app，适合开发者、AI 工程师和大型项目团队。#AI编程##代码分析##知识图谱# 爱可可-爱生活的微博视频

34. 如何从零构建一个 LLM 记忆层系统towardsdatascience.com/how-to-build-your-own-custom-llm-memory-layer-from-scratch/这篇文章介绍了如何从零构建一个受 Mem0 架构启发的 LLM 记忆层系统，通过 DSPy 框架实现四阶段流水线：提取（将对话转为原子化事实）、嵌入（使用 text-embedding-3-small 存入 QDrant 向量数据库）、检索（ReAct Agent 自主决定何时查询历史记忆）和维护（Agent 动态执行增删改查操作以处理矛盾或过时的信息），最终解决 LLM 无状态性问题，实现跨会话的个性化用户记忆管理。#HOW I AI#

35. 能否使用RAG技术来解决大模型的长期记忆问题？

36. 从可观测到可理解：用 UModel 构建 Agent 原生的代码知识图谱

37. 知识图谱 04：知识表示模型

38. 蚂蚁数科王磊：垂直大模型训练成本呈百倍级下降，金融AI落地需构建“可信智能体”三大基石 | Alpha峰会

39. Google 放大招！Gemini 3.1 Pro 正式发布，推理能力翻倍！免费使用方法来了 | 零度解说

40. 字节火山开源的上下文数据库OpenViking, 专为 AI Agent 设计。该项目通过文件系统范式，统一管理智能体所需的记忆、资源与技能，解决了传统 RAG 架构中信息碎片化和检索低效的问题。1. 文件系统管理范式 → 解决碎片化问题：基于文件系统范式，将记忆、资源、技能进行统一上下文管理；2. 分层上下文按需加载 → 降低 Token 消耗：L0/L1/L2 三层结构，按需加载，大幅节省成本；3. 目录递归检索 → 提升检索效果：支持原生文件系统检索方式，融合目录定位与语义搜索，实现递归式精准上下文获取；4. 可视化检索轨迹 → 上下文可观测：支持可视化目录检索轨迹，让用户能够清晰观测问题根源并指导检索逻辑优化；5. 会话自动管理 → 上下文自迭代：自动压缩对话中的内容、资源引用、工具调用等信息，提取长期记忆，让 Agent 越用越聪明。项目：github.com/volcengine/OpenViking#HOW I AI# #过个有ai年#

41. 面对大型代码库，常常不知道从哪里入手，文件函数关系复杂，来回grep查找效率低下。Understand-Anything 把代码分析功能全部整合到一起，提供了可视化理解代码库的解决方案。不仅能生成交互式知识图谱，还支持语义搜索、引导式架构游览、变更影响分析，甚至能处理Karpathy风格的LLM知识库。GitHub：github.com/Lum1104/Understand-Anything主要功能：- 交互式知识图谱，支持文件、函数、类及依赖关系可视化探索；- 多代理管道分析，按架构层（API、服务、数据层等）自动着色分组；- 模糊搜索与语义搜索，能按含义查找代码组件；- 引导式架构游览，按依赖顺序自动生成学习路径；- 变更影响分析，预览修改对系统的波及范围；- 支持知识库分析，将文档/维基转为可导航的知识图谱；- 跨平台兼容Claude Code、Cursor、Copilot、Gemini CLI等多款AI编码工具。支持Claude Code原生插件安装，分析后生成交互式React Flow仪表盘，适合新手上手大型项目或团队协作代码审查。#AI编程# #知识图谱# #代码可视化#

42. GPT-5.4据传下周上线！200万上下文窗口+持久化状态，告别频繁遗忘

43. P99延迟降72%、成本降83%！字节跳动Agent上下文平台首度公开

44. 世界最强医疗模型百川M3发布：AI医疗，奇点已至

45. 医疗领域DeepSeek时刻：蚂蚁 · 安诊儿医疗大模型正式开源，登顶权威榜单

46. Transformer与RNN合体，谷歌打下显存门槛，解锁超长上下文

47. AI Agent 开发中，记忆管理一直是老大难——上下文窗口有限，长期知识难以留存，跨会话、跨任务的连贯性也很难保证。Cognee 把「记忆控制平面」浓缩到 6 行代码里，让 Agent 拥有持久、可进化、可检索的共享记忆。只需一行 pip install 即可接入：支持任意格式数据摄入，自动构建知识图谱 + 向量索引，兼顾语义搜索与关系推理，还能随反馈不断优化。GitHub：github.com/topoteretes/cognee主要功能：- 6 行代码即可实现 remember / recall / forget / improve 四大操作- 知识图谱 + 向量混合检索，自动路由最优搜索策略- 支持多会话隔离与跨 Agent 知识共享- 提供 Claude Code、OpenClaw 等官方插件，一键接入主流 Agent 框架- 兼容 Cognee Cloud 或自托管部署（Modal、Railway、Fly.io 等一键脚本）- 支持本地 UI 与 CLI，快速验证与调试支持 Python 3.10+，通过 pip/uv/poetry 即可安装，适合构建长期记忆型 Agent、客服机器人、知识蒸馏助手等场景。#AI创造营# #人工智能#

48. RAG（检索增强生成）会不会消亡呢？

49. AcuKG：大模型+知识图谱双轮驱动的中医针灸全面知识图谱自动构建及中医科研交互式知识发现

50. 构建AI Agent常常需要从零开始摸索，LLM调用、工具集成、推理循环、记忆模块、规划反射等功能分散在各种框架和教程中，来回切换学习成本高。新书《Build an AI Agent (From Scratch)》提供完整AI Agent从零构建的实战指南，帮助你一步步打造能推理、规划、执行复杂多步任务的智能代理。不仅教你实现ReAct循环（Thought→Action→Observation）、MCP工具调用、Agentic RAG，还覆盖记忆模块、多代理系统、代码执行代理等核心功能。www.manning.com/books/build-an-ai-agent-from-scratch主要内容：- 实现ReAct推理循环，支持思考-行动-观察闭环；- MCP协议集成工具调用，提升代理工作流效率；- Agentic RAG实现相关知识检索和响应优化；- 构建记忆模块，存储事实、上下文和动态目标；- 代理规划、反思和自我修正机制；- 开发专业代理如代码执行代理；- 设计多代理协作系统。全Python实现，标准笔记本电脑即可运行，适合AI开发者与从业者。MEAP已100%章节可用，附GitHub源码。#AI-Agent##大语言模型##人工智能#

51. OpenClaw杀进中国医疗圈，掀翻千亿市场！全球首个医疗Agent OS来了

52. 深度｜半年内再融3.3亿美元，Airwallex引爆AI金融智能体投资热潮，ARR首破10亿美元

53. github.com/Tencent/WeKnora 腾讯开源的RAG框架：WeKnora（维娜拉）这是一款基于大语言模型的文档理解与语义检索框架，专为结构复杂、内容异构的文档场景而打造。框架采用模块化架构，融合多模态预处理、语义向量索引、智能召回与大模型生成推理，构建起高效、可控的文档问答流程。核心检索流程基于 RAG（Retrieval-Augmented Generation）机制，将上下文相关片段与语言模型结合，实现更高质量的语义回答。核心特性 🤖 Agent模式：支持ReACT Agent模式，可调用内置工具检索知识库、MCP工具和网络搜索，通过多次迭代和反思给出全面总结报告 🔍 精准理解：支持 PDF、Word、图片等文档的结构化内容提取，统一构建语义视图 🧠 智能推理：借助大语言模型理解文档上下文与用户意图，支持精准问答与多轮对话 📚 多类型知识库：支持FAQ和文档两种类型知识库，支持文件夹导入、URL导入、标签管理和在线录入 🔧 灵活扩展：从解析、嵌入、召回到生成全流程解耦，便于灵活集成与定制扩展 ⚡ 高效检索：混合多种检索策略：关键词、向量、知识图谱，支持跨知识库检索 🌐 网络搜索：支持可扩展的网络搜索引擎，内置DuckDuckGo搜索引擎 🔌 MCP工具集成：支持通过MCP扩展Agent能力，内置uvx、npx启动工具，支持多种传输方式 ⚙️ 对话策略：支持配置Agent模型、普通模式模型、检索阈值和Prompt，精确控制多轮对话行为 🎯 简单易用：直观的Web界面与标准API，零技术门槛快速上手 🔒 安全可控：支持本地化与私有云部署，数据完全自主可控 #科技先锋官#

54. 开源项目VideoRAG 让“观看视频”升级为“与视频对话”，使数百小时的视频内容变成可随时提问、可深度理解的智能知识库。 1、从“搜索视频”到“对话视频” VideoRAG不是关键词检索，而是支持自然语言提问的智能对话系统。视频不再是被动播放的媒介，而是可以像专家一样被反复追问、追溯和推理的知识体。 2、极端长视频处理能力真正落地 VideoRAG可处理数百小时的超长视频内容，并且长视频仅需一张消费级 RTX 3090 显卡即可完成分析，极大降低了深度视频理解的硬件门槛。 3、关键技术在于“图谱 + 分层理解” 其双通道架构通过知识图谱索引、多模态理解、分层上下文编码和自适应检索，使模型既能把握整体脉络，又能精确定位细节，甚至支持跨视频对比理解。 4、Vimo 将前沿技术交到普通人手中 Vimo 桌面应用让普通用户也能通过拖拽方式与长视频对话，同时为专业用户和研究者提供多视频分析、高级检索和完全开源的研究框架。项目：github.com/HKUDS/VideoRAG #ai创造营# #程序员#

55. 有道在 LobsterAI 之后推出了 Agent 体系下的最新产品——有道宝库，定位为 AI 研究助手与思考伙伴，辅助深度思考与知识内化。试用了一下，从技术实现看有几个值得关注的点：核心架构：• RAG + 强制溯源所有回答严格基于用户上传文档，每条回答附带原文引用，可跳转到源文件具体段落，从架构层面降低幻觉问题。• 多源数据支持最多支持 50 个源文件上传，支持导入公众号/小红书/B站/微博/小宇宙/知乎等国内平台的深度内容，无缝衔接中国用户的知识获取习惯。• 多文档融合技术动态上下文调度：自动识别核心文档与补充材料，跨文档去重，按主题重组输出结构。• 中文 NLP 专项优化自研文档解析引擎处理中文 PDF/扫描件/复杂排版；自研中文渲染引擎针对汉字笔画结构单独建模，视觉生成层引入字形完整性校验，解决笔画缺失/乱码问题。• 流式生成架构通过模板预热、端侧渲染等技术手段，将 PPT 生成时间压缩到约 5 分钟；播客支持单人/双人模式，双人模式自动生成对话结构（提问-回应-追问）。• 可编辑输出所有生成内容（PPT/脑图/图文文章等文本格式）均支持二次编辑。• CLI 化进展正在开发命令行工具，支持 AI Agent（LobsterAI）直接调用，实现从“人用工具”到“Agent 可调用能力模块”的演进。技术细节：部署方式：本地部署，即开即用，这点很方便生态集成：与有道翻译/词典数据管道打通，一键导入资料网页版：baoku.youdao.com客户端：词典 v11.3.2（Mac/Windows）爱可可-爱生活的微博视频

56. 知识图谱工具简介：Protégé、Neo4j、Jena

57. RAG 陷入“幻觉”瓶颈？看 IBM watsonx 如何用 GraphRAG 织就知识逻辑网

58. GraphRAG工程实战

59. 什么场景下传统 RAG 不够用，必须上 GraphRAG？

60. 从知识图谱到 GraphRAG

61. GraphRAG

62. 知识图谱 GraphRAG

63. GraphRAG为什么让AI告别幻觉？从分块检索到知识图谱的演进 - 哔哩哔哩

64. GraphRAG深度解析

65. Graph RAG优化技术

66. RAG 2.0

67. 为何资深开发者纷纷放弃RAG，转向上下文工程

68. 艾体宝干货 | RAG技术对比

69. Graph RAG——重塑企业 AI 的“逻辑大脑”

70. 知识图谱增强检索

71. GraphRAG 到底在干嘛？——微软这篇博客的深度拆解

72. 大模型面试12

73. 从局部到全局

74. 面试题详解

75. GraphRAG架构演进

76. 微软

77. 从局部到全局GraphRAG 深度剖析

78. 论文解析之GraphRAG

79. GraphRAG技术排行榜解析

80. 什么场景下必须用GraphRAG？而不是RAG？

81. GraphRAG为什么让AI告别幻觉？从分块检索到知识图谱的演进

82. GraphRAG 是什么？为什么企业开始从 RAG 转向图增强检索

83. GraphRAG 和 RAG 的区别

84. 基于GraphRAG技术，构建动态演化的企业级AI知识管理平台

85. 为什么向量检索无法搞定复杂业务

86. GraphRAG 在法律 AI 中的应用

87. 今天，GraphRAG在医疗场景发力了

88. 实战解析

89. GraphRAG vs 无向量RAG vs 向量RAG（2026年高级上下文工程指南）

90. 主流 RAG 框架解读

91. 面试必考 | GraphRAG vs Agentic RAG

92. 图强化学习优化路由策略

93. 三分钟论文速递 | 让知识图谱增强生成的黑箱变得透明

94. Relink

95. RAG 检索 + LLM 分类

96. 知识图谱+RAG和知识图谱+GraphRAG分别如何解决知识图谱多跳推理

97. Agent篇(24)：知识图谱增强 (GraphRAG) —— 连接点与点：从向量检索到多跳推理

98. RAG 已死？GraphRAG vs Agentic RAG vs 传统 RAG 三方对决

99. 全局 GraphRAG、知识图谱与实体解析详解

100. AI算法原理0基础入门-第32回-GraphRAG——图上的检索增强流程

101. 图解 RAG（十二）快速入门｜高级架构：GraphRAG、AgenticRAG 等五大进阶方案

102. 戴尔Precision 5490移动工作站本地部署GraphRAG,构建知识图谱

103. 微课第九期 | GraphRAG技术探究及实践路径

104. GraphRAG 实战最大的坑：一个实体，七种身份

105. GraphRAG 中文实战指南：使用国内大模型构建知识图谱

106. GraphRAG原理及部署实战(GraphRAG系列第一篇)

107. 长上下文不是长期记忆：为什么 1M Context 也不会淘汰 RAG

108. GraphRAG vs 传统向量RAG：Spring AI实战对比

109. SentGraph：一句一句把多跳RAG“画”成图

110. graphrag企业快速体验平台

111. 本体驱动GraphRAG下的AI 知识库构建

112. 从建图到检索：LightRAG 全流程轻量化设计，让GraphRAG 适配资源受限场景

113. Graph rag浅读

114. [ICLR 2026] WHEN TO USE GRAPHS IN RAG

115. 问一句要查两三轮才答得出来？多跳RAG就是干这个的有的问题不是「问→查一次→答」，而是「先查到 A，再根据 A 去查 B，拼起来才能答」——这就是多跳。GraphRAG、LightRAG 用图或层次结构把知识组织好，支持这种「跳着查」的检索。这期讲多跳需求从哪来、图式 RAG 啥思路、两种方案适合啥场景，为复杂问答打底。#这也能开播 #AI #Agent #知识库 #大模型

116. RAG 与长上下文大模型：统一技术视角与方法综述

117. GraphRAG、LightRAG、AgenticRAG、RAGFlow

118. GraphRAG 安装与使用

119. LinearRAG: 基于线性图的大规模语料库检索增强生成

120. Processor Groups 之后：GraphRAG 平台别再按微服务数量扩容

121. GraphRAG与LightRAG大厂面试题汇总：从RAG到知识图谱检索，传统RAG天花板、GraphRAG原理与坑、LightRAG轻量方案

122. GraphRAG 太贵？一种成本降低 90% 的 Agentic-GraphRAG 架构实践

123. 艾体宝洞察|Vector RAG 到 GraphRAG：企业级 AI 知识检索架构演进

124. Agentic Search能替代GraphRAG吗，结论清晰了

125. RAG检索总丢上下文、多跳推理就断链？ICLR 2026六种GraphRAG方案帮你重建知识关联

126. AI 知识图谱深度解析：从 RAG 到 GraphRAG 的演进之路

127. Graphrag笔记

128. RAG实战：从零搭建企业知识库

129. GraphRAG 知识图谱在 RagFlow 中的实现

扫一下，分享更方便，购买更轻松

0评论

当前文章无评论，是时候发表评论了

提示信息

取消

确认

评论举报

垃圾广告！低俗色情！人身攻击！疑似水军评论！其他有害！