企业官网建设流程全解析

想象你在一个电商网站上问 AI：「列出所有同时支持无线充电和 eSIM 的三星手机。」传统的 RAG 系统会把问题变成向量，然后找语义最相近的文档块。但它会返回什么？一堆包含「无线充电体验超棒」的营销文案，然后漏掉了规格表里确切的型号列表。

这不是 RAG 不够好，是语义检索本身就有盲区。当你需要的是「精确过滤」和「穷举列表」，靠「语义相似度」再准也没用。

Samsung AI 的一篇新论文提出了 DualGraph，用两张图解决了一个问题：同一份文档集，应该同时有模糊检索和精确查询两种入口。

致命盲区：当「像」不如「是」

标准 RAG 的工作方式很简单：把问题和文档都变成向量，找余弦相似度最高的十来段，塞给 LLM 出答案。

这个方法对开放式问题极其有效——「这款手机怎么样？」「有哪些适合老年人的手机？」——都能找到相关内容。但一旦问题变成：

• 「列出所有支持 HDMI 2.1 且刷新率超过 120Hz 的电视」
• 「有哪些手机同时支持 5G 和 eSIM，并且价格低于 400 英镑？」
• 「比较 Galaxy S 系列和 A 系列的电池容量」

语义检索就露馅了。

原因很简单：语义相似度只知道「像不像」，不知道「是不是」。它能找到包含「5G」「eSIM」「价格」这些词的文档块，但它不知道：

1. 哪些产品真的同时满足这些条件（需要逻辑与运算）
2. 是不是所有满足条件的产品都列出来了（需要穷举，而不是 Top-K）
3. 价格 399 是不是小于400（需要数值比较）

这些操作都是符号系统的强项——SPARQL、SQL、规则引擎——但它们的问题是：扛不住自然语言的噪声和歧义。「支持 5G」在规格表里可能写成「5G Sub6」「5G mmWave」「NR CA」等完全不同的表达。

DualGraph 的核心思路

DualGraph 的做法很直接：同一份文档集，构建两张互补的图，按需调用。

TKG（文本知识图谱）：给模糊问题兜底

TKG 是一个无向实体图。每个节点是一个实体（产品、功能、类别），附带一段从所有相关文档块聚合生成的文本描述。检索的时候，先找与问题最相似的实体，再用实体投票选出最相关的文档块。

这张图保留了自然语言的上下文和歧义，适合处理开放式问题。你不确定用户用「无线充电」还是「Qi charging」还是「感应式充电」，TKG 的语义匹配都能兜住。

SKG（符号知识图谱）：给精确查询兜底

SKG 是一个有向三元组图：产品 → 价格 → 399，产品 → 支持 → 5G，产品 → 屏幕类型 → AMOLED。每个三元组都是类型化的 subject-predicate-object，支持 SPARQL 精确查询。

关键不在于「又建了一个知识图谱」，而在于建图的细节：

1. 从半结构化数据自动提取：不是手工标注，而是从产品页面的规格表自动解析 triples
2. 数值归一化：原始文本里的「6.7 英寸」「6.7-inch」「6.7"」被统一成可比较的数值格式
3. 规则推理：Datalog 规则自动推导高阶特征——如果产品支持 5G 的几个子标准，就推断「支持 5G」
4. 图模式检索辅助 SPARQL 生成：不是让 LLM 盲写 SPARQL，而是先检索最相关的图模式片段做 grounded 生成

7 种编排策略：怎么组合最有讲究

DualGraph 不止有双图，还提供了 7 种组合策略：

实验证明，SKG+TKG fallback 在精确查询（列表匹配）上最强，Router+TKG fallback 在通用场景（事实正确性）上最强。

SpecsQA：让 RAG 系统在真实电商场景下裸考

论文还贡献了一个新基准 SpecsQA：从 2025 年 11 月的三星英国官网抓了 2162 个产品页面，涵盖 26 个产品类别。手工编写了 117 个问题，分为四类：

• 反向查询：哪些产品满足某属性？（如「列出所有支持 eSIM 的手机」）
• 多条件组合：同时满足多个约束？（如「5G + AMOLED + 电池 > 4000mAh」）
• 群组对比：跨产品线比较？（如「Galaxy S 和 A 系列的屏幕尺寸对比」）
• 推理类：更开放的推荐和偏好场景

因为用的是历史快照，答案不回随时间变化，避免了 LLM 靠预训练记忆「作弊」。同时提供了自然语言答案和符号列表两种标注，方便不同维度评估。

实验结果

在所有指标上，DualGraph 都超越了现有最好方法：

• 事实正确性（Factual Correctness）：Router+TKG fallback 最高。RAPTOR 是最强的纯语义基线，但在精确过滤类问题上明显吃亏。
• 列表匹配（List Match）：SKG+TKG fallback 最高。Wikontic 是最强的纯符号基线，但索引和查询成本高得多，且开放问题上不如 DualGraph。
• 成本效率：DualGraph 的索引成本与 HippoRAG2 / AriGraph 相当，远低于微软 GraphRAG 和 Wikontic。

消融实验揭示了一个关键发现：SKG 的 SPARQL 查询质量高度依赖Spec 图模式——去掉它后，SPARQL 生成成功率大幅下降，事实正确性和列表匹配都受到严重影响。而 Category 模式反而是多余的，去掉后性能还有小幅提升。

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】