@freeman1266: 普通 RAG vs 知识图谱 RAG vs LLM Wiki——三种知识库检索方案，95% 的人选错了，不是因为不懂，是因为没认清自己的数据形态。 三句话讲清楚： 普通 RAG：把文档切成 chunk，向量化入库，问题来了找相似片段喂给 …
摘要
本文对比了普通RAG、知识图谱RAG和LLM Wiki三种知识库检索方案的适用场景与选型建议，强调根据数据形态选择正确方案，避免盲目使用复杂工具。
查看缓存全文
缓存时间: 2026/05/25 10:50
普通 RAG vs 知识图谱 RAG vs LLM Wiki——三种知识库检索方案，95% 的人选错了，不是因为不懂，是因为没认清自己的数据形态。
三句话讲清楚：
普通 RAG：把文档切成 chunk，向量化入库，问题来了找相似片段喂给 LLM。适合快速搭建 FAQ、产品说明书、客服知识库。简单、便宜、生态成熟。
知识图谱 RAG（GraphRAG）：从文档中抽取实体和关系，建成图谱，检索时沿关系边多跳扩展。适合“A 和 B 有什么关系？““这个系统的依赖链路是什么？“金融、医疗、法律场景首选。代价是构建复杂、维护成本高。
LLM Wiki：先让模型把原始文档整理成主题化知识页面，再检索这些页面。适合学习型助手和长期知识沉淀。知识库会越用越好，但需要治理机制。
选型决策树： · 简单事实查询 → 普通 RAG · 关系 / 多跳推理 → GraphRAG · 系统学习 / 长期沉淀 → LLM Wiki
大多数人一上来就想用 GraphRAG，结果卡在实体抽取质量上。正确路径：先做普通 RAG，优化检索质量，再按需升级。
工具越复杂，选错越贵。认清数据形态，才是知识库选型的第一步。
相似文章
@Huanusa: 个人知识库的天花板来了！ GitHub这个 LLM Wiki 项目已经2800+ Star，彻底把普通RAG甩在身后！ 它不是每次都“重新检索”的废物模式， 而是让AI直接帮你增量构建一个真正的结构化Wiki —— 知识编译一次，就持续进…
LLM Wiki 是一个开源的桌面应用，利用 LLM 增量构建结构化知识库，支持知识图谱、社区检测、Obsidian 集成和 Chrome 剪藏，旨在替代传统 RAG 方式。
@sitinme: Github 30k star，不用向量数据库也能做 RAG，而且准确率还更高！ 做 RAG 的人应该都有过这种体验：向量数据库返回的内容“看起来相关”，但就是不是你要的那个答案。 特别是处理合同、财报、技术手册这类长文档的时候，你问“第…
介绍一个GitHub上30k star的开源项目，通过推理而非向量数据库实现RAG，号称准确率更高，解决了向量检索中相似不等于相关的问题。
@rwayne: 太屌了学术论文搭本地知识库，瓶颈一直在 PDF 怎么干净转 md。OpenDataLoader-PDF 把这道题做到了 0.907 准确率 开源 PDF 解析榜第一全套 Apache 2.0。 200 篇真实论文测试集的关键数字 总分 0…
OpenDataLoader-PDF 是一款开源 PDF 解析工具，在真实学术论文测试中达到 0.907 的高准确率，支持将复杂的 PDF 文档（含表格、公式、扫描件）高效转换为 Markdown 和 JSON，非常适合本地知识库和 RAG 应用。
@WWTLitee: 接手陌生代码库时，太需要这个工具了：Understand-Anything 它把代码库、文档或者知识库转成交互式 knowledge graph，让你能边看边搜边追问关系，不用再靠来回翻文件硬拼上下文 仓库现在已经有 16.3k star…
Understand-Anything是一个开源工具，能将任何代码库、文档或知识库转化为交互式知识图谱，帮助开发者快速理解项目结构。
RAG-Anything：全能型 RAG 框架
RAG-Anything 是一个全新的开源框架，通过整合跨模态关系和语义匹配来增强多模态知识检索，在复杂的基准测试中表现优于现有方法。