向量搜索和知识图谱是两项用于改善搜索体验的重要技术。结合这两种技术形成的Graph RAG可以进一步提高搜索的准确性和上下文相关性。本文将深入对比向量搜索和知识图谱，让读者快速了解这两种技术的原理及优缺点，以便于将来的技术决策。

向量搜索

向量搜索是一种用于在数据集中找到相似项目的技术。它通过以下方式工作：

  • 将每个项目转换成向量（数学特征表示）
  • 使用距离度量计算向量间的相似度
  • 即使查询不完全匹配，也能找到相似项目

在这里插入图片描述

知识图谱

知识图谱是一种特殊的数据结构，具有以下特点：

  • 将信息表示为节点和关系的网络
  • 节点表示实体
  • 关系表示实体之间的联系
    在这里插入图片描述

向量搜索和知识图谱的对比

特性向量搜索知识图谱搜索
数据结构高维向量空间节点和边的图结构
数据类型文本、图像、音频等嵌入向量实体（如人、地点、事件）及其关系
搜索方法基于相似度的最近邻搜索基于逻辑推理和路径遍历
性能适合大规模数据，速度较快随着图规模增大，查询速度可能下降
可扩展性对大规模向量库较友好需要结构化和复杂性管理，扩展性较差
语义理解依赖于向量距离，缺乏显性语义语义表达清晰，能更好地进行复杂推理
模糊查询更适合模糊查询，能处理语义相似但不精确的查询精确性高，但模糊性较低
维护数据更新较为简单，只需更新向量需要更新节点和边关系，维护复杂
适用场景文本匹配、推荐系统知识管理、问答系统
优点适合大规模非结构化数据、查询速度快语义清晰、适合复杂推理、具备逻辑性
缺点缺乏明确语义表达、复杂推理能力弱对数据规模敏感、扩展性差、维护难度大

结语

Graph RAG 的优势：Graph RAG通过知识图谱增强了传统RAG的语义理解和推理能力，特别适合需要逻辑和上下文关联的场景。

参考文章

  • https://www.ontotext.com/knowledgehub/fundamentals/what-is-a-knowledge-graph/
  • https://www.elastic.co/what-is/vector-search
# RAG # 知识图谱
Logo
天工造物局

北京人形旗下天工造物具身智能开源社区，聚焦具身天工与慧思开物两大平台

更多推荐

deck.gl TripsLayer 出租车轨迹动画示例实战：从示例运行到着色器原理

TripsLayer 是 deck.gl 中用于渲染**随时间流动的轨迹动画**（如出租车行程、物流路径、迁徙路线）的核心图层。本文以仓库中的最小独立示例 [examples/website/trips](https://link.gitcode.com/i/1442af8f442f4cff39ff546e050fceb5) 为骨架，带你完成从安装依赖、启动应用、理解曼哈顿出租车数据格式，到深入

avatar 天工造物局

Foundry Anvil 中 eth_simulateV1 的 Blob 交易与 Blob Gas 字段规范化：原理、实现与测试验证

本篇技术指南以 [anvil-simulate-blob-transactions.md](https://link.gitcode.com/i/3d2ebe227262de169335eb290af80da8) 这条 changelog 条目为起点，深入剖析 Foundry Anvil 对 `eth_simulateV1` RPC 返回结果中 blob（EIP-4844）交易与 blob gas

avatar 天工造物局

LMCache CLI 实战：用 `lmcache kvcache clear` 管理运行中服务的 KV Cache 状态

本文是一份针对 LMCache 官方 CLI 命令 `lmcache kvcache` 的完整技术指南。该命令用于在**运行中的 LMCache 服务（MP HTTP server）**上管理 KV cache 状态，当前提供 `clear` 子命令，用于清空 L1（CPU 内存）层中缓存的全部 KV 数据。读完本文，你将掌握该命令的完整参数体系、退出码语义、终端/JSON/静默三种输出模式，并能

avatar 天工造物局