@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 …

X AI KOLs Timeline 工具
rag graphrag llm-wiki knowledge-base retrieval tutorial

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。

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。
查看原文
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

@vintcessun: RAG喂太多文档，检索质量反而从75%掉到40%？向量搜索被大量无关内容稀释，真实部署中命中率暴跌。 问题根源：异构文档混在一起检索，噪声淹没了信号。多智能体编排看似智能，实际引入精度-忠实度悖论——配置稍差就两头不讨好。 论文提出的MA…

X AI KOLs Timeline

This paper identifies 'vector search dilution' in RAG systems when scaling to large heterogeneous document collections, where accuracy dropped from 75% to 40% in a real-world deployment. The proposed MASDR-RAG method uses domain scoping via organizational metadata before retrieval, improving P@10 from 0.77 to 0.86 with low cost and easy deployment.

@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…

X AI KOLs Timeline

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。

@seclink: 冷知识，RAG 技术的演进路径 ① 2020 — 基础 RAG（解决"知识不在模型里"） 起点是 Lewis 等人的 RAG：DPR 稠密检索 + 向量相似度 + 生成。它第一次让 LLM 能"外接知识库"，缓解幻觉和时效性问题。但这代是…

X AI KOLs Timeline

科普了RAG技术从2020年基础RAG到2025-2026年自主智能体+强化学习的演进路径，涵盖检索精度提升、反思纠偏、图谱增强、路由优化与Agentic RAG等方向，并总结了各阶段代表性工作与痛点。