chapter3--记忆与知识库构建-Datawhale-个人笔记

学习地址《深入理解 AI Agent》第 3 章超越扁平文本1. 核心构建机制三元组抽取抽取实体间的关系构建(主语, 关系, 宾语)如(北京, 是首都, 中国)、张三, 就职于, 腾讯。交织成网通过共享实体节点将孤立的三元组连接成复杂的关系网络。社区发现与摘要运行社区发现算法找出语义紧密的实体集群并用 LLM 生成主题摘要自动发现隐含主题。2. 不可替代的两大优势多跳关系推理Multi-hop Reasoning场景询问“我的医生所在医院的地址是什么”用户 → 医生 → 医院 → 地址。为什么扁平检索不行扁平存储需要多次独立向量检索再由 LLM 拼凑延迟高且极易在中途断链无法直接表达跨片段连接。图谱怎么做直接沿着图中的关系边Edges逐跳遍历路径确定、高效且可靠。原生实体消歧Entity Disambiguation同名的“张医生-牙科”和“张医生-心脏科”在图中是两个独立节点连接不同关系边从结构上天然隔离无需额外推理。3. 核心难点与工程局限强依赖 LLM 抽取质量三元组提取属于复杂语义问题必须交给 LLM 处理图谱构建的好坏完全受制于 AI 的识别准确度抽错即造成知识污染且建索引 Token 成本高。三元组化导致“语义降级”最关键局限将自然语言强行转为三元组是有损压缩。例如*“如果下周还下雨我就取消去海边改去博物馆”*拆成三元组后会丢失核心的条件判断和时间依赖。4. 架构选型结论不要把知识图谱当成通用主存储最佳实践是分层互补以完整自然语言保存核心信息保留语境与条件逻辑仅在需要多跳推理和精确消歧的垂直场景如医疗、法律、风控将 GraphRAG 作为专项辅助索引。