摘要：单轮检索局限：当用户仅反馈“空调制冷效果差”、“持续发热三天”等模糊信息时，传统 RAG 缺乏追问能力，无法定位根因；语义跳跃失控：对话中突然切换话题（如患者从“咳嗽”转向“头痛”）时，传统方案因无法关联跨域知识导致误判。

在智能客服与医疗问诊领域，用户模糊描述导致的多轮对话断裂与语义关联缺失，长期阻碍决策效率提升。传统 RAG 技术面临双重困境:

阿里云瑶池旗下的云原生数据仓库 AnalyticDB PostgreSQL 版 GraphRAG 技术，创新融合知识图谱动态推理+向量语义检索，通过实体关系映射与多跳路径优化，构建可应对复杂场景的决策引擎。本文将通过家电故障诊断和医疗预问诊两大高价值场景，解析其如何实现从“被动应答”到“主动决策”的跨越。

相比传统 RAG，结合向量和图的 GraphRAG 能更高效地处理大规模知识的关联检索与分析。GraphRAG 是通过图来保存文本知识中实体之间的联系。通过将文本抽象为图数据，知识图显著简化了输入文本，减少冗长问题。通过检索子图或图社区，GraphRAG 能够捕捉更广泛的上下文和联系，有效应对 QFS 挑战。

构建一个完整的 GraphRAG 业务，需要三个重要的子系统：知识图谱理解抽取系统、 GraphRAG 引擎系统、支持 RAG 的 AI 工程框架。

1、知识图谱理解与抽取

知识图谱系统用于实现知识建模和抽取。最新的阿里通义千问 Qwen3 在文档理解、数据抽取、问题分析、多语言识别等方面表现优异，成本大幅下降，性能全面超越DeepSeek-R1、OpenAI-o1等全球顶尖模型。我们利用通义千问 Qwen3，完成对文本的分析并进行实体和关系的三元组抽取，从而构建相应的知识图谱。

2、GraphRAG 引擎

阿里云瑶池旗下的云原生数据仓库AnalyticDB PostgreSQL（以下简称ADB PG）作为一款具备 GraphRAG 引擎的MPP数据库，它具备完整的事务处理、高吞吐写入和流批一体引擎以及提供关系型数据存储、全文、向量存储和图数据存储功能，显著简化应用构建的过程，提供精准分析和决策支持。通过整合 Qwen3 的知识抽取能力和 AnalyticDB PostgreSQL 的图引擎优势，GraphRAG 可以实现更全面的上下文理解和信息检索，优化业务流程。

3、Data Agent Platform

AI框架作为业务层的"智能中枢"，负责实现从原始数据到智能服务的端到端闭环。Dify on DMS是阿里云瑶池数据库推出的一站式AI应用部署解决方案。通过DMS可以轻松将Dify应用部署到阿里云上，并与通义大模型和瑶池数据库生态等无缝融合。无论是数据处理、模型训练，还是AI应用的快速上线，DMS都能提供低门槛、开箱即用的体验，构建企业级安全稳定的Data+AI平台。

▶︎ 图谱构建

知识图谱构建是一个融合多源数据、自然语言处理（NLP）技术和图数据库管理的系统性工程，ADB PG GraphRAG 通过生成式模型将原始文本转换为图谱的“节点（实体）”和“边（关系）”，其核心流程包括：

对文本进行chunk并从中抽取实体属性（如“特斯拉CEO：马斯克”） → 解决实体同名歧义（如“鹅厂→腾讯”）与数据冗余问题 → 节点去重与实体归一化处理 → 将抽取到的节点转换为Cypher语句写入ADB PG图存储 → 同步将chunk生成文本向量存入ADB PG向量库中。

如此，用户在查询的时候既可以通过embedding进行语义相似度搜索，也可以通过知识图谱搜索正确的回答，大大提升回答的准确度。

▶︎ 图谱融合

针对跨文献抽取实体时出现的命名差异问题（如“鹅厂”与“腾讯”指向同一实体），ADB PG GraphRAG采用分层消歧策略：

支持领域专家自定义映射规则（例如强制将“计算机”标准化为“电脑”），实现基础术语统一；其次利用公共样本库执行聚类分析，自动归集同义实体（如合并“北医三院”与“北京大学第三医院”）；对于复杂歧义场景，则调用大语言模型进行深度语义匹配。通过规则定义、数据驱动聚类和AI模型协同，图谱融合能够有效消除实体歧义，为精准检索奠定基础。

▶︎ 关联检索

当用户发起查询时，关联检索首先抽取问题中的实体关系，沿知识图谱检索相邻N跳节点的语义内容，通过相似度匹配定位最相关节点及对应文本块，显著提升多跳问题的准确性与可解释性。

▶︎ 全局检索

若检测到对话跳跃现象：包括语义突变或跨领域提问，系统会自动触发全局检索，将用户问题转化为向量后执行全图搜索，快速定位Top-N相似节点，并结合会话上下文重定位对话路径，提升回答的准确度。

▶︎ 多路检索召回

结合“关联检索”和“全局检索”的两个能力，ADB PG GraphRAG服务还提供了多路检索的自适应召回能力，同步计算关联检索与全局检索的置信度，默认优先采用关联节点结果，同时支持通过调整置信度阈值动态干预决策。

▶︎ 图谱检索排序

为了优化检索结果的相关性和准确性，ADB PG GraphRAG服务实现了重排序（Reranking）机制，优化结果优先级，确保返回最契合用户需求的信息序列。

在对问题进行分析处理时，行业专家通常会构建一个或多个知识图谱。这些知识图谱基于具体的应用场景设计，通过与用户进行追问式对话，能够将广泛的问题逐步细化，并最终定位到具体的状况上。通过这种层次化的分析方法，可以有效地从宏观层面的问题过渡到微观层面的特定情境，从而为用户提供精准且针对性强的解决方案。

在以家电为代表的智能电子行业中，咨询类客服系统的需求日益凸显，但是用户咨询的问题往往过于模糊，不能直接通过AI Agent定位到客户的问题并给出解决方案。所以，这类系统旨在通过多轮提问，获取更多有价值的信息，精准地识别用户在产品使用过程中遇到的具体问题，并据此提供切实可行的解决方案。它不仅能够有效提升用户体验，还能进一步优化售后服务流程。此类智能化客服平台，凭借其卓越的问题诊断能力和高效的服务响应机制，在当今竞争激烈的市场环境中显得尤为重要。

下面是一个空调售后机器人的故障问答场景：

--Agent：你好，我是空调售后助手，请问有什么可以帮你？

--User：我的空调制冷效果不理想，能帮忙看一下么？

--Agent：是你的空调吹风风量小还是制冷效果差？

--User：制冷效果不好。

--Agent：请看一下空调的运行模式，是不是在制冷模式？

--User：制冷模式。

--Agent：空调滤网是否长时间没有清理？

--User：是的。

--Agent：请清理滤网后再观察一下空调制冷情况。

在空调售后案例中，用户提出“制冷效果不理想”的模糊问题。售后Agent通过多轮追问引导用户补充信息：首轮区分“风量小”或“制冷效果差”，第二轮确认空调运行模式，第三轮核查滤网状态，最终给出“需要清理滤网后观察”的解决方案。整个过程依托知识图谱的实体关联路径（运行模式→滤网状态），实现从泛化问题到具体根因的精准定位，有效提升了售后服务效率。

在现代医疗问诊场景中，提供24小时在线智能预问诊服务以减轻医生负担显得尤为重要，但是AI Agent通常无法通过传统的“望闻问切”方法逐步从患者那里获取更多有助于判断疾病的信息。因此需要一个为患者和医生提供决策参考的辅助系统，通过患者提供的症状信息，判断潜在病症，为患者提供快速简便的建议，并协助医生作出合理决策。

--Agent：你好，有什么问题可以帮你？

--User：最近一直肚子疼，不知道什么原因。

--Agent：请问是上腹疼痛么？

--User：是的，感觉是胃这边比较疼。

--Agent：是否有恶心或者消化不良、嗳气、黑便等其他症状？

--User：吃完饭会有点反酸。

--Agent：您可能有胃部相关的疾病，建议继续做胃镜或者x线钡剂检查以确认具体的病因。

医疗问诊辅助系统能够基于医疗专用的知识图谱，创建症状 -> 诊断 -> 检查 -> 疾病之间的知识关系图谱，并通过持续整合病历案例不断优化诊疗路径，提升诊疗效率。在Agent使用过程中，系统会根据患者的主诉症状进行图谱初筛，生成附带置信度的初步诊断；当置信度不足时启动多轮对话补充关键症状，如发热时长、疼痛部位等，逐步收敛疾病范围直至达到置信阈值。最终依据医疗规范输出检查建议或明确疾病结论，直接衔接给药、住院等后续流程。在临床实践中，该系统不仅能引导患者精准匹配科室分诊，更能降低资源匮乏地区医生因经验不足导致的误诊风险。

来源：企业上云那些事