Evaluating Graph-RAG vs. Standard RAG: A Hallucination Benchmark on Fact-Dense Queries

学完你能

• 构造含噪声、互相矛盾段落的合成事实密集数据集，并把 ground truth 存入图存储
• 用 ChromaDB 建立向量库并实现标准向量 RAG 的检索函数
• 实现基于 SPOC 结构的 QuadStore 知识图谱与 3 层 Graph-RAG 检索函数
• 加载本地 Flan-T5 模型作为生成端，跑通端到端问答
• 设计事实密集查询并对比两种管线的幻觉率与答案准确度
• 解释为何小容量模型在复杂冲突消解提示下表现不佳，并据此选择提示复杂度

适合你吗

课程特点

内容侧重

按内容目录判断

练习与项目

文中数据为随机合成，每次运行结果会不同；建议固定 random 种子并多次重复以比较两套管线的稳定性。

学习时长

1 个课节原站未给出统一学习时长；实际用时取决于已有基础。

内容费用

免费节选可直接读到完整教程正文与代码，未见付费墙或登录拦截；侧栏 eBooks 与免费速成课推销不影响本资源费用。

内容覆盖

• Introduction：为什么向量检索在原子事实上会“丢失”，以及 3 层 Graph-RAG 的出发点
• Prerequisites and Setup：安装 chromadb、transformers 并初始化本地 Flan-T5 模型
• 构建 SimpleQuadStore（SPOC 结构知识图谱）与 ChromaDB 向量集合
• 生成含噪声与矛盾段落的合成事实密集数据集，并构造基准查询
• （节选到此为止，后续小节正文未提供）