現(xiàn)代 AI 聊天機(jī)器人常常依賴 Retrieval-Augmented Generation (RAG)，也就是檢索增強(qiáng)生成技術(shù)。這種技術(shù)讓機(jī)器人能從外部數(shù)據(jù)中提取真實(shí)信息來支撐回答。如果你用過“與你的文檔聊天”之類的工具，你就見過 RAG 的實(shí)際應(yīng)用：系統(tǒng)會從文檔中找到相關(guān)片段，喂給大語言模型（LLM），讓它能用準(zhǔn)確的信息回答你的問題。

RAG 大大提升了 LLM 回答的事實(shí)準(zhǔn)確性。不過，傳統(tǒng) RAG 系統(tǒng)大多把知識看成一堆互不關(guān)聯(lián)的文本片段。LLM 拿到幾段相關(guān)內(nèi)容后，得自己把它們拼湊起來回答。這種方式對簡單問題還行，但遇到需要跨多個(gè)來源串聯(lián)信息的復(fù)雜查詢，效果就不理想了。

這篇文章會深入淺出地解釋兩個(gè)能讓聊天機(jī)器人更上一層樓的概念：ontologies（本體論） 和 knowledge graphs（知識圖譜），以及它們?nèi)绾闻c RAG 結(jié)合，形成 GraphRAG（基于圖的檢索增強(qiáng)生成）。我們會用簡單的語言說明它們是什么，為什么重要。

為什么這很重要？你可能會問。因?yàn)?GraphRAG 能讓聊天機(jī)器人的回答更準(zhǔn)確、更貼合上下文、更有洞察力，比傳統(tǒng) RAG 強(qiáng)多了。企業(yè)在探索 AI 解決方案時(shí)很看重這些特質(zhì)——一個(gè)真正理解上下文、避免錯(cuò)誤、能處理復(fù)雜問題的 AI 可以徹底改變游戲規(guī)則。（不過，這需要完美的實(shí)現(xiàn)，實(shí)際中往往沒那么理想。）

通過把非結(jié)構(gòu)化文本和結(jié)構(gòu)化的知識圖譜結(jié)合起來，GraphRAG 系統(tǒng)能提供感覺上更“有學(xué)問”的回答。把知識圖譜和 LLM 結(jié)合起來，是讓 AI 不僅能檢索信息，還能真正理解信息的關(guān)鍵一步。

什么是 RAG？

Retrieval-Augmented Generation，簡稱 RAG，是一種通過外部知識來增強(qiáng)語言模型回答的技術(shù)。RAG 系統(tǒng)不是僅靠模型記憶里的東西（可能過時(shí)或不完整）來回答，而是會從外部來源（比如文檔、數(shù)據(jù)庫或網(wǎng)絡(luò)）抓取相關(guān)信息，喂給模型來幫助生成答案。

簡單來說，RAG = LLM + 搜索引擎：模型先檢索支持?jǐn)?shù)據(jù)，增強(qiáng)對主題的理解，然后結(jié)合內(nèi)置知識和檢索到的信息生成回答。

如上圖所示，典型的 RAG 流程包含幾個(gè)步驟，就像一個(gè)智能查找過程：

1.索引知識：系統(tǒng)先把知識來源（比如一堆文檔）分成小塊文本，為每塊生成vector embeddings（向量嵌入）。這些嵌入是文本含義的數(shù)字表示，存進(jìn)一個(gè)向量數(shù)據(jù)庫或索引中。

2.查詢嵌入：用戶提出問題時(shí)，查詢也會用同樣的技術(shù)轉(zhuǎn)成向量嵌入。

3.相似性搜索：系統(tǒng)把查詢向量和存儲的向量對比，找出與問題最“相似”或相關(guān)的文本塊。

4.結(jié)合上下文生成：最后，語言模型拿到用戶問題和檢索到的文本片段作為上下文，生成包含這些信息的回答。

RAG 讓 LLM 在現(xiàn)實(shí)場景中變得更實(shí)用。像 Bing Chat 或各種文檔問答機(jī)器人就是靠 RAG 提供最新、具體的答案，還能附上參考資料。通過用檢索到的文本來“錨定”回答，RAG 減少了 hallucinations（模型瞎編），還能訪問超出 AI 訓(xùn)練截止日期的信息。不過，傳統(tǒng) RAG 也有一些明顯的局限：

? 它把檢索到的文檔基本上當(dāng)作獨(dú)立的、非結(jié)構(gòu)化的文本塊。如果回答需要綜合多個(gè)文檔的信息或理解它們之間的關(guān)系，模型得在生成時(shí)自己完成這個(gè)重活。

? RAG 的檢索通常基于semantic similarity（語義相似性）。它能找到相關(guān)段落，但不一定理解內(nèi)容的真正含義，或者一個(gè)事實(shí)如何與另一個(gè)事實(shí)關(guān)聯(lián)。

? 沒有內(nèi)置機(jī)制來推理或確保檢索數(shù)據(jù)的一致性；LLM 只是拿到一堆文本，盡力把它們串起來。

在實(shí)際中，對于簡單的事實(shí)查詢，比如“這家公司什么時(shí)候成立的？”，傳統(tǒng) RAG 表現(xiàn)很好。但對于復(fù)雜問題，比如“比較第一季度銷售和營銷支出的趨勢，并找出相關(guān)性”，傳統(tǒng) RAG 就可能掉鏈子。它可能返回一段關(guān)于銷售的文本，另一段關(guān)于營銷的，但邏輯整合得靠 LLM 自己來，可能不一定能連貫成功。

這些局限性指向一個(gè)機(jī)會。如果我們不只是給 AI 一堆文檔，而是再給它一個(gè) knowledge graph（知識圖譜），也就是實(shí)體和它們關(guān)系的網(wǎng)絡(luò)，作為推理的框架呢？如果 RAG 檢索不只是基于相似性返回文本，而是返回一組相互關(guān)聯(lián)的事實(shí)，AI 就能順著這些聯(lián)系生成更有洞察力的回答。

GraphRAG 就是把基于圖的知識整合進(jìn) RAG 流程。通過這樣做，我們希望解決上面提到的多來源、歧義和推理問題。

在深入 GraphRAG 的工作原理之前，我們先搞清楚 knowledge graphs（知識圖譜） 和 ontologies（本體論） 是什么——它們是這種方法的基礎(chǔ)。

知識圖譜（Knowledge Graphs）

知識圖譜 是一種對現(xiàn)實(shí)世界知識的網(wǎng)絡(luò)化表示，圖中的每個(gè) node（節(jié)點(diǎn)） 代表一個(gè)實(shí)體，每條 edge（邊） 代表實(shí)體間的關(guān)系。

如上圖所示，知識圖譜以圖的形式組織數(shù)據(jù)，而不是表格或孤立的文檔。這意味著信息天然就捕捉了聯(lián)系。一些關(guān)鍵特點(diǎn)：

?靈活性：你可以隨時(shí)添加新的關(guān)系類型或?qū)嶓w的屬性，不會搞亂整個(gè)系統(tǒng)。圖可以輕松擴(kuò)展以適應(yīng)新知識。

?語義化：每條邊都有含義，這讓沿著圖遍歷并提取有意義的推理鏈成為可能。圖不僅能表示內(nèi)容，還能表示上下文。

?支持多跳查詢：如果你想知道兩個(gè)實(shí)體如何關(guān)聯(lián)，圖數(shù)據(jù)庫可以遍歷鄰居、鄰居的鄰居，依此類推。

知識圖譜通常存儲在專門的 graph databases（圖數(shù)據(jù)庫） 或 triplestores（三元存儲） 中。這些系統(tǒng)專為存儲節(jié)點(diǎn)和邊、運(yùn)行圖查詢而優(yōu)化。

知識圖譜的結(jié)構(gòu)對 AI 系統(tǒng)（尤其在 RAG 場景中）是個(gè)大加分項(xiàng)。因?yàn)槭聦?shí)是相互關(guān)聯(lián)的，LLM 能拿到一整個(gè)相關(guān)信息的網(wǎng)絡(luò)，而不是孤立的片段。這意味著：

? AI 系統(tǒng)能更好地消除歧義。比如，如果問題提到“Jaguar”，圖可以通過關(guān)系明確是汽車還是動物，提供文本單獨(dú)無法給出的上下文。

? AI 系統(tǒng)可以通過“連接”或遍歷收集相關(guān)事實(shí)。圖查詢可以提供一個(gè)全相關(guān)的子圖，而不是零散的段落，為模型提供一個(gè)預(yù)先拼好的拼圖，而不是單個(gè)碎片。

? 知識圖譜保證一致性。比如，如果圖知道產(chǎn)品 X 包含部件 A 和 B，它就能可靠地只列出這些部件，不像文本模型可能會瞎編或漏掉信息。圖的結(jié)構(gòu)化特性讓事實(shí)的聚合更完整、更準(zhǔn)確。

? 圖通過追蹤推理鏈的節(jié)點(diǎn)和邊提供explainability（可解釋性），讓推理過程清晰，增加答案的可信度。

總結(jié)來說，知識圖譜為 AI 的上下文注入了意義。它不是把數(shù)據(jù)當(dāng)一堆詞袋處理，而是當(dāng)作一個(gè)知識網(wǎng)絡(luò)。這正是我們希望 AI 在回答復(fù)雜問題時(shí)擁有的：一個(gè)可以導(dǎo)航的、豐富的關(guān)聯(lián)上下文，而不是每次都要硬解析一堆文檔。

現(xiàn)在我們了解了知識圖譜是什么，以及它如何助力 AI 系統(tǒng)，接下來看看 ontologies（本體論） 是什么，以及它們?nèi)绾螏椭鷺?gòu)建更好的知識圖譜。

本體論（Ontologies）

在知識系統(tǒng)的語境中，ontology（本體論） 是一個(gè)特定領(lǐng)域的知識的正式規(guī)范。它定義了該領(lǐng)域中存在的實(shí)體（或概念）以及這些實(shí)體之間的關(guān)系。

本體論通常將概念組織成層級或分類體系，但也可能包含邏輯約束或規(guī)則。比如，可以聲明“每個(gè)訂單必須至少包含一個(gè)產(chǎn)品項(xiàng)目”。

為什么本體論重要？你可能會問。本體論為一個(gè)領(lǐng)域提供了共享的理解，這在整合多個(gè)來源的數(shù)據(jù)或構(gòu)建需要推理該領(lǐng)域的 AI 系統(tǒng)時(shí)特別有用。通過定義一組通用的實(shí)體類型和關(guān)系，本體論確保不同團(tuán)隊(duì)或系統(tǒng)用一致的方式指代事物。比如，如果一個(gè)數(shù)據(jù)集把人叫“Client”，另一個(gè)叫“Customer”，通過映射到同一個(gè)本體論類（比如 Customer 作為 Person 的子類），就能無縫合并這些數(shù)據(jù)。

在 AI 和 GraphRAG 的語境中，本體論是知識圖譜的藍(lán)圖——它決定了圖中會有哪些節(jié)點(diǎn)和鏈接。這對復(fù)雜推理至關(guān)重要。如果你的聊天機(jī)器人知道在你的應(yīng)用中“Amazon”是一個(gè) Company（公司）（而不是河流），而 Company 在本體論中有定義（包含 headquarters、CEO 等屬性，以及 hasSubsidiary 等關(guān)系），它就能更精確地錨定答案。

現(xiàn)在我們了解了知識圖譜和本體論，來看看如何把它們整合進(jìn)類似 RAG 的流程中。

GraphRAG

GraphRAG 是傳統(tǒng) RAG 的進(jìn)化版，它明確將知識圖譜納入檢索過程。在 GraphRAG 中，用戶提問時(shí)，系統(tǒng)不只是對文本做向量相似性搜索，還會查詢知識圖譜中相關(guān)的實(shí)體和關(guān)系。

1.索引知識：輸入包括結(jié)構(gòu)化數(shù)據(jù)（比如數(shù)據(jù)庫、CSV 文件）和非結(jié)構(gòu)化數(shù)據(jù)（比如文檔）。結(jié)構(gòu)化數(shù)據(jù)通過數(shù)據(jù)轉(zhuǎn)換，將表格行轉(zhuǎn)為三元組。非結(jié)構(gòu)化數(shù)據(jù)被拆成可管理的文本塊，從中提取實(shí)體和關(guān)系，同時(shí)計(jì)算embeddings（嵌入），生成帶嵌入的三元組。

2.問題分析與嵌入：分析用戶查詢，識別關(guān)鍵術(shù)語或?qū)嶓w，用相同的嵌入模型將這些元素轉(zhuǎn)為嵌入。

3.圖搜索：系統(tǒng)查詢知識圖譜，找到與關(guān)鍵術(shù)語相關(guān)的節(jié)點(diǎn)，不只是檢索語義相似的項(xiàng)目，還利用關(guān)系。

4.結(jié)合圖上下文生成：生成模型使用用戶查詢和檢索到的圖增強(qiáng)上下文生成答案。

在底層，GraphRAG 可以用多種策略整合圖查詢。系統(tǒng)可能先做常規(guī)的語義搜索，找 top-K 文本塊，然后遍歷這些塊的圖鄰居以收集額外上下文，再生成答案。這確保了即使相關(guān)信息分散在不同文檔中，圖也能把它們拉到一起。在實(shí)際中，GraphRAG 可能涉及額外步驟，比如 entity disambiguation（實(shí)體消歧）（確保問題中的“Apple”鏈接到正確的節(jié)點(diǎn)，可能是公司或水果）和圖遍歷算法來擴(kuò)展上下文。但總體思路如上：搜索 + 圖查詢，而不只是搜索。

對非技術(shù)讀者來說，你可以把 GraphRAG 想象成給 AI 增加了一個(gè)“類腦”知識網(wǎng)絡(luò)，除了文檔庫之外。AI 不再孤立地讀每本書（文檔），而是有一本事實(shí)及其關(guān)聯(lián)的百科全書。對技術(shù)讀者來說，你可以想象一個(gè)架構(gòu)，里面既有向量索引又有圖數(shù)據(jù)庫，兩者協(xié)同工作——一個(gè)檢索原始段落，另一個(gè)檢索結(jié)構(gòu)化事實(shí)，都喂進(jìn) LLM 的上下文窗口。

構(gòu)建用于 RAG 的知識圖譜：方法

構(gòu)建支持 GraphRAG 系統(tǒng)的知識圖譜有兩種主要方法：Top-Down（自上而下） 和 Bottom-Up（自下而上）。它們不完全互斥（通常會混用），但區(qū)分它們有助于理解。

方法 1：自上而下（優(yōu)先本體論）

自上而下的方法從定義領(lǐng)域的本體論開始，由領(lǐng)域?qū)＜一蛐袠I(yè)標(biāo)準(zhǔn)建立類、關(guān)系和規(guī)則。這個(gè)模式加載到圖數(shù)據(jù)庫中作為空的框架，指導(dǎo)數(shù)據(jù)提取和組織，相當(dāng)于一個(gè)藍(lán)圖。

一旦本體論（模式）就位，接下來是用真實(shí)數(shù)據(jù)填充它。有幾種子方法：

?使用結(jié)構(gòu)化來源：如果你有現(xiàn)有的結(jié)構(gòu)化數(shù)據(jù)庫或 CSV 文件，就把它們映射到本體論。如果映射簡單，可以通過自動化ETL 工具將 SQL 表轉(zhuǎn)為圖數(shù)據(jù)。

?通過本體論從文本提取：對于非結(jié)構(gòu)化數(shù)據(jù)（比如文檔、PDF），你會用NLP 技術(shù)，但以本體論為指導(dǎo)。這通常涉及編寫提取規(guī)則或用 LLM 配合引用本體論術(shù)語的提示。

?手動或半手動整理：在關(guān)鍵領(lǐng)域，可能需要人工驗(yàn)證每個(gè)提取的三元組，或手動輸入一些數(shù)據(jù)到圖中，特別是一次性設(shè)置的關(guān)鍵知識。比如，公司可能手動輸入組織架構(gòu)或產(chǎn)品層級到圖中，因?yàn)檫@些數(shù)據(jù)相對靜態(tài)且非常重要。

關(guān)鍵在于，自上而下的方法中，本體論在每一步都起到指導(dǎo)作用。它告訴提取算法要找什么，確保輸入的數(shù)據(jù)符合一個(gè)連貫的模型。

使用正式本體論的一大優(yōu)勢是你可以利用 reasoners（推理器） 和 validators（驗(yàn)證器） 保持知識圖譜一致性。本體論推理器可以自動推斷新事實(shí)或檢查邏輯矛盾，而像 SHACL 這樣的工具可以強(qiáng)制執(zhí)行數(shù)據(jù)形狀規(guī)則（類似更豐富的數(shù)據(jù)庫模式）。這些檢查能防止矛盾事實(shí)，并通過自動推導(dǎo)關(guān)系豐富圖。在 GraphRAG 中，這意味著即使多跳連接不明確，本體論也能幫助推導(dǎo)出來。

方法 2：自下而上（數(shù)據(jù)優(yōu)先）

自下而上的方法直接從數(shù)據(jù)生成知識圖譜，不依賴預(yù)定義的模式。NLP 和 LLM 的進(jìn)步讓從非結(jié)構(gòu)化文本中提取結(jié)構(gòu)化三元組成為可能，這些三元組隨后被輸入圖數(shù)據(jù)庫，實(shí)體成為節(jié)點(diǎn)，關(guān)系成為邊。

在底層，自下而上的提取可以結(jié)合傳統(tǒng) NLP 和現(xiàn)代 LLM：

?Named Entity Recognition (NER，命名實(shí)體識別)：識別文本中的人名、組織、地點(diǎn)等。

?Relation Extraction (RE，關(guān)系提取)：識別這些實(shí)體之間是否有提到的關(guān)系。

?Coreference Resolution（共指消解）：弄清楚段落中代詞的指代對象，以便三元組使用完整名稱。

有像 spaCy 或 Flair 這樣的傳統(tǒng)方法庫，也有整合 LLM 調(diào)用的新庫用于 IE（信息提取）。另外，像 ChatGPT 插件 或 LangChain 代理 這樣的技術(shù)可以設(shè)置來填充圖：代理可以逐個(gè)讀取文檔，找到事實(shí)時(shí)調(diào)用“圖插入”工具。另一個(gè)有趣的策略是用 LLM 通過讀取文檔樣本建議模式（這有點(diǎn)像本體論生成，但自下而上）。

自下而上提取的一個(gè)大問題是，LLM 可能不完美，甚至?xí)皠?chuàng)造性”輸出。它們可能瞎編一個(gè)不存在的關(guān)系，或錯(cuò)誤標(biāo)記一個(gè)實(shí)體。因此，驗(yàn)證很重要：

? 對關(guān)鍵事實(shí)與源文本交叉檢查。

? 使用多輪提取：比如第一輪提取實(shí)體，第二輪驗(yàn)證和填充關(guān)系。

? 人工抽查：讓人審閱一部分提取的三元組，尤其是那些影響大的。

這個(gè)過程通常是迭代的。你運(yùn)行提取，找到錯(cuò)誤或缺失，調(diào)整提示或過濾器，再運(yùn)行一次。久而久之，這能大幅提高知識圖譜的質(zhì)量。好消息是，即使有些錯(cuò)誤，知識圖譜對很多查詢?nèi)匀挥杏谩憧梢詢?yōu)先清理對用例最重要的部分。

最后，記住，發(fā)送文本進(jìn)行提取會將你的數(shù)據(jù)暴露給 LLM/服務(wù)，所以要確保符合隱私和保留要求。

GraphRAG 生態(tài)中的工具和框架

構(gòu)建 GraphRAG 系統(tǒng)聽起來可能有點(diǎn)復(fù)雜，你得管理向量數(shù)據(jù)庫、圖數(shù)據(jù)庫、運(yùn)行 LLM 提取流程等。好消息是，社區(qū)正在開發(fā)工具讓這事變得更簡單。我們來簡單提一些工具和框架，以及它們的作用。

圖存儲

首先，你需要一個(gè)地方存儲和查詢知識圖譜。傳統(tǒng)的圖數(shù)據(jù)庫如 Neo4j、Amazon Neptune、TigerGraph 或 RDF triplestores（如 GraphDB 或 Stardog）是常見選擇。

這些數(shù)據(jù)庫專為我們討論的操作優(yōu)化：

? 遍歷關(guān)系

? 查找鄰居

? 執(zhí)行圖查詢

在 GraphRAG 設(shè)置中，檢索流程可以用這些查詢來獲取相關(guān)的子圖。一些向量數(shù)據(jù)庫（像 Milvus 或帶 Graph 插件的 Elasticsearch）也開始整合類圖查詢，但通常專用圖數(shù)據(jù)庫提供最豐富的功能。重要的是，你的圖存儲要能高效檢索直接鄰居和多跳鄰居，因?yàn)閺?fù)雜問題可能需要抓取整個(gè)事實(shí)網(wǎng)絡(luò)。

新興工具

一些新工具正在將圖與 LLM 結(jié)合：

?Cognee：一個(gè)開源的“AI 記憶引擎”，為 LLM 構(gòu)建和使用知識圖譜。它作為代理或聊天機(jī)器人的語義記憶層，將非結(jié)構(gòu)化數(shù)據(jù)轉(zhuǎn)為結(jié)構(gòu)化的概念和關(guān)系圖。LLM 能查詢這些圖以獲得精確答案。Cognee 隱藏了圖的復(fù)雜性：開發(fā)者只需提供數(shù)據(jù)，它就生成可查詢的圖。它與圖數(shù)據(jù)庫整合，提供數(shù)據(jù)攝取、圖構(gòu)建和 LLM 查詢的流程。

?Graphiti（由 Zep AI 提供）：一個(gè)為需要實(shí)時(shí)、動態(tài)記憶的 AI 代理設(shè)計(jì)的框架。與許多靜態(tài)數(shù)據(jù)的 RAG 系統(tǒng)不同，Graphiti 能在新信息到達(dá)時(shí)增量更新知識圖譜。它存儲事實(shí)及其時(shí)間上下文，使用Neo4j存儲，提供面向代理的 API。與早期基于批處理的 GraphRAG 系統(tǒng)不同，Graphiti 能高效處理流式數(shù)據(jù)，適合持續(xù)學(xué)習(xí)的長期運(yùn)行代理，確保答案始終反映最新數(shù)據(jù)。

?其他框架：像LlamaIndex和Haystack這樣的工具添加了圖模塊，盡管不是以圖優(yōu)先。LlamaIndex 能從文檔提取三元組并支持基于圖的查詢。Haystack 實(shí)驗(yàn)了整合圖數(shù)據(jù)庫來擴(kuò)展問答功能，超越向量搜索。云服務(wù)商也在增加圖功能：AWS Bedrock Knowledge Bases支持 GraphRAG，通過托管攝取到Neptune；Azure Cognitive Search也與圖整合。生態(tài)系統(tǒng)發(fā)展很快。

無需從頭開始

重點(diǎn)是，如果你想嘗試 GraphRAG，不用從零開始。你可以：

? 用Cognee處理知識提取和圖構(gòu)建，省去自己寫提示和解析邏輯的麻煩。

? 如果需要即插即用的記憶圖，尤其是對話或時(shí)間相關(guān)數(shù)據(jù)的代理，用Graphiti。

? 用LlamaIndex或其他工具，只需幾行代碼就能獲得基本的知識圖譜提取功能。

? 依靠成熟的圖數(shù)據(jù)庫，省去寫自定義圖遍歷引擎的麻煩。

總之，雖然 GraphRAG 處于前沿，但周邊生態(tài)正在快速成長。你可以利用這些庫和服務(wù)快速搭建原型，然后迭代優(yōu)化知識圖譜和提示。

結(jié)論

傳統(tǒng) RAG 適合簡單的事實(shí)查詢，但在需要深入推理、準(zhǔn)確性或多步回答的查詢上會吃力。這時(shí) GraphRAG 就大顯身手了。通過結(jié)合文檔和知識圖譜，它用結(jié)構(gòu)化事實(shí)錨定回答，減少 hallucinations（瞎編），支持多跳推理，讓 AI 能以標(biāo)準(zhǔn) RAG 無法做到的方式連接和綜合信息。

當(dāng)然，這種能力也有代價(jià)。構(gòu)建和維護(hù)知識圖譜需要模式設(shè)計(jì)、提取、更新和基礎(chǔ)設(shè)施開銷。對于簡單用例，傳統(tǒng) RAG 仍是更簡單高效的選擇。但當(dāng)需要更豐富的回答、一致性或 explainability（可解釋性） 時(shí)，GraphRAG 的優(yōu)勢顯而易見。

展望未來，知識增強(qiáng)的 AI 正在快速發(fā)展。未來平臺可能直接從文檔自動生成圖，LLM 直接在圖上推理。對于像 GoodData 這樣的公司，GraphRAG 將 AI 與分析結(jié)合，帶來超越“發(fā)生了什么”到“為什么發(fā)生”的洞察。

最終，GraphRAG 讓我們更接近于不僅能檢索事實(shí)，還能真正理解和推理事實(shí)的 AI，就像人類分析師，但規(guī)模和速度更大。雖然這條路有復(fù)雜性，但目標(biāo)（更準(zhǔn)確、可解釋、更有洞察力的 AI）絕對值得投資。關(guān)鍵不僅在于收集事實(shí)，而在于連接它們。

本文轉(zhuǎn)載自??PyTorch研習(xí)社??，作者：AI研究生