知识图谱增强 RAG 多跳检索准确率大增

Vector Institute AI 工程团队发布 Entity-Based Knowledge Graph RAG 架构，解决传统 RAG 在复杂企业文档上多跳检索失效及分块丢失上下文的问题。核心技巧是把实体与其来源文档标题用连字符拼接后再做嵌入。在 SEC 10-Q 数据集的复杂多跳问题上，该方案将 GPT-4o-mini 的检索准确率从 36% 提升到 56%，提升 54%，表明给模型结构化上下文可不靠大算力获得高准确率。

2026-10-09 ~ 2026-10-09 · 3 条相关

• 实体名拼接文档标题入向量,破解 RAG 分块丢上下文难题 — VectorInst · 2026-10-09
• Vector Institute实体知识图谱RAG,多跳检索准确率提升54% — VectorInst · 2026-10-09
• Vector Institute:知识图谱让 GPT-4o-mini 多跳检索从 36% 升到 56% — VectorInst · 2026-10-09