Zilliz 开源向量与图谱混合检索项目
AI 总结
Zilliz 已开源 vector-graph-rag，该项目在传统向量 RAG 之上加入知识图谱召回，以向量相似度和实体关系进行混合检索。掘金文章介绍其五层架构，包括基于 Milvus 的向量索引、实体归一、可配置多跳检索、证据校验和来源关联答案。作者称复杂问答准确性有所提升，但抽取质量、图谱持续维护、系统复杂度及二次开发仍是实际落地难点。
深度见解
该项目为已有 Milvus 向量系统的团队提供了一条增量升级路径，可用于加强实体消歧、关系检索、多跳问答和证据链展示。
最近一直在做企业 AI 知识库私有化落地，也持续在账号中给大家分享高价值的 AI 开源项目。
做AI知识库私有化交付这两年，我最深的体感是：纯向量RAG的天花板，已经越来越明显了。
早期项目里，客户需求很简单：把文档传上去，能关键词搜索、能简单问答，就足够满意。但随着项目深入，需求很快就往复杂走：问 "张三负责的项目有哪些合作供应商"" 去年 Q3 出现过的同类型设备故障有哪些解决方案 ""这份合同和哪份制度条款存在冲突"—— 这类需要跨文档、找关联、做多跳推理的问题，纯向量 RAG 几乎次次翻车。
不是切片拆得不够细，也不是 Embedding 模型不够好，而是底层逻辑就有局限：纯向量检索本质是 "片段相似度匹配"，它只认文字像不像，不理解实体和实体之间的关系。就像一个人只看过一堆零散纸条，知道每句话写了什么，但分不清谁是谁、事情之间有什么联系，遇到需要串起来的问题，只能靠猜，幻觉自然就来了。