PingCAP 王琦智：下一代 RAG，tidb.ai 使用知识图谱增强 RAG 能力
内容提要
本文介绍了如何使用知识图谱增强RAG模型的能力，提高特定领域查询的准确性和回答质量。文章还分享了tidb.ai，一个了解TiDB知识的AI问答机器人，并提供了简单RAG的实现方案。最后，文章强调了Rerank的重要性和知识图谱对RAG模型的助力。
延伸解读
知识图谱如何补足简单RAG的短板
简单RAG依赖向量相似度检索，但余弦相似性难以捕捉语言间的实际关系，且文档切分后块与块之间失去关联，忽略文档结构。知识图谱通过抽取节点和边，在检索时从Top N节点扩散K度，取回相关节点及边，从而为生成回答提供更丰富的上下文，提升准确性和相关性。
汇总图谱与实例图谱的取舍
文章提到两种知识图谱：实例图谱更干净、准确率更高、泛用性更好，但维护成本高；汇总图谱维护成本低，适合人力有限的小型团队。tidb.ai选择汇总图谱，虽然精度和泛用性不如实例图谱，但性能明显优于不使用知识图谱的RAG版本，且无需频繁人工维护。
向量嵌入TiDB与“外挂”向量数据库的对比
外挂向量数据库需要应用写两次、查两次数据，带来数据同步问题，即使最终一致性也难保证。将向量嵌入TiDB，应用只需一次读写，简化架构，避免同步复杂性，同时利用TiDB的分布式架构和高可用性满足大规模存储和高并发查询。
自部署TiDB与TiDB Serverless的适用场景
自部署TiDB数据量无限制、可用性高，加TiFlash后具备分析能力，但无向量能力且运维复杂。TiDB Serverless基于云平台，具备分析和向量计算能力，价格相对便宜，适合云平台应用；但持续高负载时成本可能高于自部署方案。选择需根据自身情况。
Q&A
什么是RAG模型，它的主要功能是什么？
RAG（Retrieval-Augmented Generation）模型是一种结合信息检索和生成技术的模型，旨在提高回答的准确性和质量，尤其在特定领域查询中。
知识图谱如何增强RAG模型的能力？
知识图谱通过提供结构化的信息和关系，帮助RAG模型更准确地理解和回答用户的问题，从而提升回答的质量和准确性。
tidb.ai是什么，它的主要用途是什么？
tidb.ai是一个了解TiDB知识的AI问答机器人，旨在提高技术支持效率，帮助用户快速查阅文档和获取答案。
简单RAG的实现步骤有哪些？
简单RAG的实现步骤包括文档切分、向量化、建立向量索引和生成回答。
Rerank在RAG模型中有什么重要性？
Rerank通过重新排序检索到的文档，提高检索的准确性和相关性，帮助找到最相关的回答。
TiDB的优势是什么，为什么选择它作为数据库？
TiDB作为全能型数据库，能够集成多种数据库功能，简化数据架构，提升开发效率，降低维护成本。
