🐾 七日專案 RAG 與 Graph - RAG 實作與評比 🐾

2025/2/26 ~ 2025/3/4

📋 專案概要

本專案實作並比較兩種知識增強技術：

1. 🦴 實作基本的檢索增強生成（RAG）系統
2. 🪁 構建和應用知識圖譜
3. 🏆 系統評估與比較分析

🌟 成果展示

📝 專案任務

🦴 任務一：基於向量檢索的 RAG 系統

實作一個簡單的 RAG 系統，能夠：

• ✅ 接收並處理文本檔案
• ✅ 將文件切分為適當大小的片段
• ✅ 使用向量嵌入模型為片段建立索引
• ✅ 根據使用者查詢，檢索相關文件片段
• ✅ 將檢索結果與查詢一起提交給 LLM，生成回答

🪁 任務二：基於知識圖譜的生成系統

構建知識圖譜作為 RAG 系統的替代方案：

• ✅ 從相同的文件中提取實體和關係
• ✅ 構建基本的知識圖譜
• ✅ 實現基於圖譜的查詢機制
• ✅ 使用相同的 LLM，但基於圖譜查詢結果生成回答
• ✅ 展示圖譜結構的可視化

🏠 任務三：系統評估與比較

• ✅ 定義評估指標（準確性、相關性、回答完整性等）
• ✅ 對兩個系統的回答進行評分
• ✅ 分析兩種方法的優缺點
• ✅ 討論適用場景
• ✅ 提出改進建議

🧠 專案資訊

技術堆疊

項目	規格
🐶 環境	Python 3.12.7
✈️ 核心套件	langchain (0.3.19), langchain-openai (0.3.7), pinecone (6.0.1)
🐦 圖譜與視覺化	networkx (3.4.2), matplotlib (3.10.1)
📱 其他依賴	requests (2.32.3)
🛠️ 安裝方式	Poetry, requirements.txt

關鍵檔案

• 🦴 RAG 實作: rag_query.ipynb
• 🪁 圖譜 RAG 實作: graph_query.ipynb
• 📄 技術文件: shoe-mold-technical-document.txt
• 🧩 知識圖譜資料: graph_data.json
• 📊 完整報告: RAG_and_Graph_SummaryReport_2025-03-05

🏆 RAG 與 graph - RAG 回應評測

對 graph rag 與傳統 rag 定義了三項最大的差異特性：

評測指標	說明
🔍 推理能力	回答中所呈現的多樣性與複雜性
🌐 背景訊息	是否提供理解答案所需的足够背景和上下文
⚖️ 資訊量匹配度	綜合考量焦點、簡潔度、額外資訊的必要性

詳細評測結果請參考 : grade.md

"Sometimes I lie on my doghouse roof and think about graph. Other times, I just lie there." 🐾