配套视频

超越文本块的RAG:图RAG、智能体RAG与长上下文RAG——配套视频

文章超越“分块再嵌入”的RAG,介绍了真正推动质量提升的三个方向——知识图谱检索、智能体检索循环,以及“直接塞入一百万个token”的方法。下面两段视频会并列展示其中两个方向的可运行演示,并呈现原生的Microsoft风格GraphRAG架构,让文章中的比较有具体参照。

首选视频

38:48
RAG 2.0入门:智能体式RAG与知识图谱(免费模板)

Cole Medin

这是一个可运行的“智能体RAG + 知识图谱”构建项目,智能体会决定何时进行向量搜索、何时查询Neo4j,以及何时同时采用两者。文章介绍“以智能体作为检索规划器”模式时,这段视频提供了YouTube上最清晰的演示,而且代码可以实际下载运行。

您应该从中获得什么: 在具体实现中比较智能体检索与图检索。

先观看或了解: 熟悉基础RAG、图数据库,并能在本地运行模板。

AI Expert 注释: 请将模板依赖、模型选择和编排代码视为对版本敏感的内容。真正有价值的理念是检索规划;投入生产仍然需要权限、评估和故障处理。

打开视频页面

也值得关注

15:58
Graph RAG:用知识图谱改进RAG

Prompt Engineering

视频集中讲解Microsoft的GraphRAG——实体抽取、社区摘要和面向查询的摘要生成——并在本地计算机上完成设置,同时说明成本。建议专门配合文章的图RAG章节观看;成本讨论尤其值得关注,因为大多数文章都会略过这一部分。

您应该从中获得什么: 理解Microsoft风格的GraphRAG流程:实体抽取、社区、摘要与面向查询的综合。

先观看或了解: 理解普通向量搜索为何可能遗漏关系密集型问题。

AI Expert 注释: 设置命令和成本可能发生变化,但架构依然有参考价值。采用该模式前,请重新计算当前token成本,并验证构建图谱是否确有必要。

打开视频页面