向量库并非RAG唯一答案：知识图谱与本体论或成破解AI幻觉关键

事件概述

当前RAG系统普遍依赖向量库进行语义检索，但研究发现向量库存在信息淹没、上下文割裂等根本性缺陷。知识图谱以实体-关系-属性结构表达数据，可克服这些局限，而本体论则提供行业逻辑和推理规则，确保知识正确关联。三者融合有望提升AI输出可靠性，尤其是在临床决策等高风险场景。

核心信息

1. 向量库的困境

• 早期embedding模型编码长度有限（约500 tokens），导致信息表达不完整或核心语义被稀释。
• 传统RAG流程（Chunking → Embedding → Retrieval → Prompting）易破坏原文完整性，例如表格分割、论证逻辑切断，造成关键信息丢失。
• 案例：电商退款助手回答“一律T+1”却漏掉例外条款；医疗场景下将“妊娠期禁用”与适用症分开，可能产生严重安全隐患。

2. 知识图谱的优势

• 知识图谱通过实体、关系、属性三大元素构建网状知识结构，能表达完整数据关联，如症状与疾病的多重联系。
• 相比传统表结构知识库，图谱具备更强扩展性和动态推理能力。例如可低成本添加“二甲双胍→减肥”这类跨领域关系，无需修改数据库模式。
• 在医疗场景中，结合大模型后可实现症状→疾病→检查指标→最终诊断的推理路径，降低幻觉风险。

3. 本体论的价值

• 本体论定义实体类型、允许的关系及推理规则，确保知识抽取和使用符合行业逻辑（如区分药物的适应症、副作用、作用机制）。
• 缺乏本体论的图谱可能产生错误关联，而本体论是让图谱具备医疗、法律等高风险领域KnowHow的建模基础。

4. 实践案例：CDSS的演进

• 传统CDSS依赖专家手工规则，知识库不全且泛化能力不足——无法从患者非标准化描述中抽取医学术语。
• 大模型时代，知识图谱与LLM结合可解决泛化问题，并通过数据溯源、一致性、动态性、可解释推理链四维保障提升医疗置信度。

值得关注

• 实际系统应采用混合架构：关键词、规则路由、向量检索与图谱查询各司其职，向量库作为处理模糊问题的补充工具。
• 趋势从“检索增强”走向“推理增强”：通过Agent内化多步推理与自我校验，进一步提升答案可信度。