RAG技術(shù)的案例
數(shù)據(jù)分析與AI丨在企業(yè)環(huán)境中利用知識圖譜賦能生成式 AI
將 <strong>LLM 生成的響應(yīng)限制在給定上下文信息內(nèi)，若上下文準確，響應(yīng)也可能更準確，這種技術(shù)被稱為檢索增強生成（RAG）技術(shù)。</strong></p><p><br></p><p>很多主流搜索引擎已開始將 RAG 技術(shù)與現(xiàn)有搜索索引結(jié)合，以有效生成對搜索問題的答案，通常還會提供用于為LLM提供上下文的網(wǎng)頁參考URL。<strong>知識圖譜作為 RAG 的重要新形式，為生成或利用上下文基礎(chǔ)的技術(shù)提供支持。</strong></p><p><br></p><p>即使在上下文基礎(chǔ)不太具體且更依賴于從訓練數(shù)據(jù)中獲得現(xiàn)實世界知識的場景下，GenAI 也能發(fā)揮作用，如生成營銷內(nèi)容、創(chuàng)作詩歌故事、頭腦風暴創(chuàng)意等無標準答案的任務(wù)。目前，大多數(shù) GenAI 解決方案采用結(jié)合多種方法的技術(shù)組合。</p><p><br></p><p><strong>02.知識圖譜如何強化企業(yè)數(shù)據(jù)并支持 GenAI 解決方案</strong></p><p><br></p><p>知識圖譜不僅能可視化數(shù)據(jù)，更重要的是，<strong>其語義建模和描述為企業(yè)數(shù)據(jù)賦予了有意義的上下文</strong>。本體論作為概念模型，以業(yè)務(wù)用戶和領(lǐng)域?qū)＜沂煜さ男g(shù)語描述數(shù)據(jù)，簡化數(shù)據(jù)集成，促進語義層的形成，方便添加和連接新數(shù)據(jù)，提升數(shù)據(jù)發(fā)現(xiàn)、理解和重用的效率，推動業(yè)務(wù)價值。</p><p><br></p><p>對知識圖譜的查詢提供了數(shù)據(jù)基礎(chǔ)，為不同的用戶提供了定制化的服務(wù)和體驗。<strong>知識圖譜既是集成數(shù)據(jù)源的工具，也是應(yīng)用本體模型的結(jié)果，構(gòu)建起全面且可操作的知識資源。
展開 數(shù)據(jù)分析與AI丨如何選擇合適的知識圖譜軟件，CTO/CIO 必問10個關(guān)鍵點
需確保高管、產(chǎn)品經(jīng)理、研發(fā)負責人等非技術(shù)人員能理解系統(tǒng)邏輯、自主查詢并獲取有效答案，無需依賴IT支持。
可要求供應(yīng)商：演示知識圖譜的構(gòu)建與訪問流程：操作是否直觀？技術(shù)團隊能否快速掌握管理方法？能否像管理現(xiàn)有云數(shù)據(jù)平臺中的表、數(shù)據(jù)集、數(shù)據(jù)產(chǎn)品一樣輕松維護知識圖譜？業(yè)務(wù)用戶能否通過熟悉的工具訪問系統(tǒng)？
5. 系統(tǒng)如何應(yīng)對安全、隱私與合規(guī)性要求？
知識圖譜整合多源數(shù)據(jù)的特性可能引發(fā)安全風險。在各行業(yè)應(yīng)用中，敏感數(shù)據(jù)必須具備嚴格的訪問控制、審計跟蹤，并符合GDPR、HIPAA等法規(guī)要求。
需要向供應(yīng)商確認其解決措施：如何延續(xù)現(xiàn)有安全協(xié)議？如何支撐內(nèi)部治理與合規(guī)要求？是否提供業(yè)務(wù)所需的數(shù)據(jù)安全與合規(guī)工具？
6. 平臺如何應(yīng)用本體論？
本體論是領(lǐng)域知識的語義基礎(chǔ)，可促進數(shù)據(jù)互操作性，通過業(yè)務(wù)術(shù)語描述數(shù)據(jù)，支撐透明度、信任度與可操作洞察的生成。
需要要求供應(yīng)商說明：系統(tǒng)如何利用本體論抽象與描述整合數(shù)據(jù)，以支持生成式AI的訪問需求；是否兼容相關(guān)行業(yè)標準，能否通過自定義擴展?jié)M足業(yè)務(wù)當前及未來的需求。
7. 知識圖譜是否支持自然語言查詢與響應(yīng)？響應(yīng)準確度如何？
高管需要的是直接答案而非復雜儀表盤。能否將復雜業(yè)務(wù)問題（如“本國銷售的進口產(chǎn)品毛利率是多少？過去三年有何變化？”）轉(zhuǎn)化為完整、準確、易懂的結(jié)果，至關(guān)重要。
檢索增強生成（RAG）技術(shù)可以將生成式AI的參考范圍限定在真實驗證信息內(nèi)，而圖RAG（GRAG）通過利用知識圖譜的上下文信息進一步減少“幻覺”，為提示添加上下文，提升響應(yīng)準確性，且在結(jié)構(gòu)化數(shù)據(jù)源與非結(jié)構(gòu)化文檔的關(guān)聯(lián)構(gòu)建上更高效。
此外，圖RAG基于企業(yè)數(shù)據(jù)生成響應(yīng)，能提升內(nèi)容清晰度與非技術(shù)用戶的可操作性。
展開 智能結(jié)構(gòu)仿真軟件AIFEM 2026R1發(fā)布
基于有限元分析技術(shù)，創(chuàng)新融合AI算法與工程專家知識庫，精準解決傳統(tǒng)仿真軟件四大難題：建模耗時、操作復雜、迭代低效、計算緩慢。
二、版本更新簡介
AIFEM 2026R1在AI智能助手、前處理、多物理場分析、批處理等方面實現(xiàn)大幅升級，核心更新亮點如下：
1、AI智能助手
基于大模型的AI助手，支持聯(lián)網(wǎng)和本地化部署。結(jié)合RAG檢索增強生成技術(shù)，減少大模型“幻覺”，提高知識檢索準確性和可靠性，解答用戶關(guān)于結(jié)構(gòu)仿真和軟件使用的問題。
2、前處理
支持ECAD導入建模和導線映射，大幅提升復雜電子系統(tǒng)建模仿真效率。
新增抽中面功能，支持自動、手動抽取薄壁件中面生成殼模型，自動記憶厚度，并可一鍵創(chuàng)建殼屬性。
新增循環(huán)對稱約束，支持全周擴展顯示，適用于大型旋轉(zhuǎn)機械的靜態(tài)、動態(tài)、熱學分析，提升計算效率。
3、分析求解
多物理場分析能力增強，新增強熱固耦合分析，支持導入上游電磁、流體分析結(jié)果進行單向流熱固耦合分析。
工藝過程仿真能力增強，新增漸進式生死單元、移動熱源、路徑輔助函數(shù)等多項功能，可模擬3D打印、平行縫焊、切割等工藝過程仿真。
新增監(jiān)控請求和計算監(jiān)控功能，支持在求解過程中查看殘差、點位移等參數(shù)或變量，幫助用戶及時發(fā)現(xiàn)問題，提升工作效率。
4、后處理
后處理新增應(yīng)力疲勞分析模塊，支持對稱循環(huán)、零基循環(huán)等多種載荷循環(huán)方式，包含Goodman、Soderberg等多種平均應(yīng)力理論可供選擇。可基于應(yīng)力結(jié)果預測循環(huán)載荷下結(jié)構(gòu)壽命、損傷、安全系數(shù)，從而在設(shè)計階段規(guī)避因疲勞導致的失效風險。
展開 大語言模型(LLM)在塑膠射出成型產(chǎn)業(yè)上的應(yīng)用
這些專業(yè)數(shù)據(jù)可以來自技術(shù)文檔、操作手冊、故障報告和行業(yè)研究等，定期使用新的專業(yè)數(shù)據(jù)來微調(diào)模型，以保持其在工業(yè)應(yīng)用中的準確性和相關(guān)性。
為了確保模型能夠有效學習新的專業(yè)知識，可能需要對輸入數(shù)據(jù)進行清洗和標注，以提高數(shù)據(jù)質(zhì)量。完成微調(diào)后，模型會更加熟悉特定領(lǐng)域的專有術(shù)語和問題情境，從而在該領(lǐng)域的問答或文本生成任務(wù)中表現(xiàn)得更準確和專業(yè)。這一過程不僅增強了模型的實用性，還能更好地滿足企業(yè)內(nèi)部的具體需求。
圖3：透過模型微調(diào)的方式，更改大語言模型參數(shù)，以應(yīng)用在專業(yè)領(lǐng)域的問答服務(wù)上
? 擷取增強生成(Retrieval-Augmented Generation, RAG）
如圖4所示，擷取增強生成(Retrieval-Augmented Generation, RAG)是提升LLM在專業(yè)領(lǐng)域表現(xiàn)的一種有效技術(shù)。RAG將信息檢索與生成模型相結(jié)合，通過檢索相關(guān)資料來輔助生成更準確的回答。
在RAG的實施過程中，首先需要構(gòu)建或接入一個專業(yè)的知識庫，該知識庫通常由企業(yè)內(nèi)部的文檔、專業(yè)資料、數(shù)據(jù)庫或網(wǎng)絡(luò)資料組成。當用戶提出問題時，檢索系統(tǒng)首先在知識庫中找到與問題相關(guān)的文檔或段落。這些檢索結(jié)果作為上下文信息，與原始問題一起被輸入到LLM中。
LLM在生成答案時，不僅依賴于自身訓練過的知識，還可以參考檢索到的具體信息，從而生成更具針對性和準確性的回答。這種方法特別適合處理需要精確和專業(yè)知識的問題，如技術(shù)支持、產(chǎn)品信息查詢等。
RAG結(jié)合了檢索的高覆蓋率和生成的靈活性，顯著提高了LLM在專業(yè)應(yīng)用中的實用性，特別是在處理模糊問題或需要高精度信息的場景下。這種方法不僅增強了模型的專業(yè)性，還能動態(tài)更新知識庫，以適應(yīng)快速變化的業(yè)務(wù)需求。
展開 
數(shù)據(jù)分析與AI丨Graph+LLM 如何重塑傳統(tǒng) BI 的未來
</p><figure style="text-align: center;"><figure class="figure-image" contenteditable="false" data-img="https://img.jishulink.com/202510/attachment/3eb792446b7648a9b2e3a4b0d670e37f.png" style="display: inline-block;"><img src="https://img.jishulink.com/202510/attachment/3eb792446b7648a9b2e3a4b0d670e37f.png"></figure></figure><p><br></p><p class="ql-align-justify"><strong>1.RAG-檢索增強生成</strong></p><p class="ql-align-justify">RAG 技術(shù)已日趨成熟，其核心流程為將非結(jié)構(gòu)化文檔分割為文本塊，通過嵌入模型將其向量化，并存儲至向量數(shù)據(jù)庫。當用戶提問時，問題同樣被轉(zhuǎn)化為向量，用于檢索數(shù)據(jù)庫中與之最相似的回答，隨后由大模型對這些回答進行總結(jié)并反饋給用戶。</p><p class="ql-align-justify">然而，RAG 技術(shù)也存在不足之處，為了增強其性能，GraphRAG 被引入以提升回答能力。但無論是 RAG 還是 GraphRAG，它們主要聚焦于非結(jié)構(gòu)化數(shù)據(jù)（如 Word 文檔、PPT 等），而對結(jié)構(gòu)化數(shù)據(jù)（如表格數(shù)據(jù)）的支持則相對薄弱。
展開 數(shù)據(jù)分析與AI丨從傳感器到智能決策：數(shù)據(jù)驅(qū)動企業(yè)發(fā)展與 ESG 創(chuàng)新的全鏈路實踐
</p><p class="ql-align-justify"><strong>2.LLM + Graph RAG</strong></p><p><img src="https://mmbiz.qpic.cn/sz_mmbiz_png/EBaibcQicPxgySddksiavBkxiaFrLicZibxnnDKiccV4FRsDvgDoarTtV9OkSPIt9pAROLs9RicGdC8OKVGabljBgvich4Q/640?wx_fmt=png&from=appmsg"></p><p class="ql-align-justify">Graph RAG 技術(shù)最初由微軟提出，雖然目前已有很多開源實現(xiàn)，但大多仍是文檔級的本地應(yīng)用，難以支撐企業(yè)級知識庫的建設(shè)。為此，我們基于自身收購的圖數(shù)據(jù)庫（Graph Studio），構(gòu)建了完整的 Graph RAG 解決方案。</p><p class="ql-align-justify">通過這個方案，我們能夠以“注塑工藝優(yōu)化指南”為例，將復雜的文檔內(nèi)容拆分為參數(shù)篇、曲線篇、案例篇等多個結(jié)構(gòu)化部分。利用大語言模型進行實體關(guān)系抽取，比傳統(tǒng) NLP 技術(shù)（如 NER）在中文場景下更為高效。舉例來說，我們可以抽取出“三元組”：如“壁厚產(chǎn)品”關(guān)聯(lián)“保壓時間大于 5 秒”、“飛邊缺陷”對應(yīng)“鎖模力不足”、“材料 ABS”對應(yīng)“最佳熔融溫度為 220-240°C”等。這些三元組可通過圖數(shù)據(jù)庫進行存儲與檢索。</p><p class="ql-align-justify">后續(xù)我們可基于這些三元組做實體消歧、描述標準化與參數(shù)噪聲過濾，并將清洗后的數(shù)據(jù)存入知識圖譜中，構(gòu)建成 Graph RAG 系統(tǒng)的知識基礎(chǔ)。
展開 