企业官网建设流程全解析

【人工智能】RAG中的索引类型：从关键词到知识图谱

摘要：本文围绕 RAG 系统中的索引构建展开，先说明索引在知识碎片与用户提问之间起到的"目录"作用，再依次介绍关键字索引（倒排索引，精确但不懂语义）、向量索引（通过 Embedding 实现同义词语义检索）、结构化索引（基于元数据标签做条件过滤）以及混合索引（关键词 + 向量 + 结构化字段，兼顾精确与语义），最后延伸到知识图谱，说明其如何把知识连成网络、支撑关系推理与因果解释。几种索引方式协同配合，才能让 AI 既快又准确地回答问题。

1. 引言

系统会先把你的文章拆分成多个 Chunk，每个 Chunk 都包含相对完整的语义信息。接下来，我们需要为这些 Chunk 构建索引（Indexing）。索引就像是为这些知识碎片建立的一份目录：当用户提问时，系统便能以最快的速度从海量内容中精准定位到相关的几段文本，再交给大模型生成答案。

整个 RAG 检索流程可以概括为下图：

2. 什么是索引

就像图书需要建立索引一样，AI 系统也要为所有文档编制一份索引。这样一来，当用户提问时，系统就能迅速定位到那几段相关的内容，而不必一页页地翻找。这一步在 RAG 系统中至关重要，称为 Indexing（构建索引）。

3. 有哪些方式可以构建索引

这里提供了三种常见的构建类型。

四种索引方式的特点对比如下：

3.1 关键字索引

关键字索引（Keyword Index）又称倒排索引，类似于在检索框中输入关键词，系统只做字面匹配。它的优点是精确，缺点是无法理解语义：当检索词与文档中的关键词字面不同、含义却相同时，就容易漏检。因此，关键字索引更适合规则明确、格式统一且规范的文档。

3.2 向量索引（同义词语义检索）

向量索引比关键字索引更“聪明”，常用于 RAG 问答与智能召回等场景。系统会通过 Embedding 把每一段内容转化为语义向量，也就是模型能够理解含义的坐标。

3.3 结构化索引

结构化索引按元素检索，例如时间、作者、来源等。这类索引建立在元数据标签之上，适合对时间敏感或需要条件过滤的场景，比如日志追踪、任务排序和推荐系统——此时可以借助文档的附加属性快速定位目标内容。

3.4 混合索引

关键词 + 向量（+ 结构化字段）= 兼顾精确与语义。
其中，向量负责承载模糊化的问题与非结构化内容，例如流程操作步骤。
数据库决定你能存什么，索引决定你如何找到它。在实际应用中，只有把多种索引搭配使用，才能发挥各自的优势。

4. 知识图谱

把知识结构化地连接成一张图，就构成了知识图谱。它并非一堆孤立的文本，而是一张由节点与连线织成的知识网络——我们可以把知识串成一条链，再组织成图谱。它的价值在于：当 AI 读到某个提示词时，不仅知道它是什么，还能顺着图谱向上追溯，理解这个提示词的具体含义。换句话说，向量索引让 AI 能听懂问题，理解语义而不必依赖关键字；在此基础上再引入知识图谱，AI 便能帮我们梳理问题背后的关系。两者结合之后，AI 不仅能找到答案，还能解释原因，实现真正意义上的理解式解锁。
在 RAG 中，向量检索好比一本模糊字典，图谱检索则像精确的知识点，二者结合，便让知识有深度、语义有宽度。

知识图谱的节点与关系结构示意如下：

5. 总结

向量检索擅长语义匹配，关键词索引负责精确命中，结构化索引用于条件筛选，知识图谱则支撑关系推理与因果解释。
这几种索引方式相互协同、各展所长，才能让 AI 既快又准确地回答我们的问题。