MachineLearningMastery.com · Iván Palomares Carrascosa
Evaluating Graph-RAG vs. Standard RAG: A Hallucination Benchmark on Fact-Dense Queries
能搭建一套标准向量 RAG 与 3 层 Graph-RAG 的对比基准,用合成事实密集数据衡量幻觉差异。
Machine Learning Mastery.com
- 难度
- 见前置条件
- 形式
- 实践教程
- 语言
- en
- 规模
- 1 个课节
- 内容费用
- 免费
- 动手
- 需要动手环境
使用限制
无需注册即可阅读;练习需要一个能运行 Python 并可下载 Hugging Face 模型的环境。
- 练习与作业
- Hugging Face 下载 google/flan-t5-base 模型权重
- 补充内容
- Google Colab(文中示例以 Colab 运行安装命令)
选择学习环境
按你的电脑系统准备;提示词在你自己的电脑上使用。
本机动手
先安装依赖并初始化本地小模型,再依次搭建 QuadStore、向量库、合成数据与两套检索,最后比较幻觉表现。
可运行 Python 的环境(本地或 Google Colab),能安装 chromadb 与 transformers 并下载 google/flan-t5-base。
准备工具和账号
标“选用”的可以跳过。
- Python 3运行全部示例代码
- chromadb本地向量数据库与检索
- transformers加载 google/flan-t5-base 作为本地生成模型
- Google Colab选用无本地环境时在线运行示例
让 AI Agent 一次搭好课程
复制开课提示词发给你常用的 AI Agent。它会下载允许保存的官方材料、建立课节目录并自检;需要账号、权限或费用时会先问你。
开课提示词 · 只需用一次此提示词尚未实测验证请帮我把「Evaluating Graph-RAG vs. Standard RAG: A Hallucination Benchmark on Fact-Dense Queries」的学习环境一次准备好,让我之后只需要按顺序学习和做练习。 开始前先问我:课程放在哪个目录(等我给出完整路径),确认我的操作系统和已有工具。确认前不要创建文件或安装软件。 课程入口:https://machinelearningmastery.com/evaluating-graph-rag-vs-standard-rag-a-hallucination-benchmark-on-fact-dense-queries/ 我的系统:Windows。如果实际不符,先调整方案。 本次路线:Windows:本机动手。只准备这条路线需要的工具;只读路线不安装运行环境、不配置模型密钥。 练习: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。 课节(官方顺序): 1. Evaluating Graph-RAG vs. Standard RAG: A Hallucination Benchmark on Fact-Dense Queries:https://machinelearningmastery.com/evaluating-graph-rag-vs-standard-rag-a-hallucination-benchmark-on-fact-dense-queries/ 1. 环境 - Python 3.8+ - pip 安装 chromadb、transformers - 首次运行会下载 google/flan-t5-base 权重 - 安装前先列出要装的软件和命令,等我同意;已装好的直接复用。 2. 材料 - 官方课程页面:只记录链接 https://machinelearningmastery.com/evaluating-graph-rag-vs-standard-rag-a-hallucination-benchmark-on-fact-dense-queries/ 3. 目录(最外层放在我确认的位置) graph-rag-vs-standard-rag-hallucination-/ ├── README.md # 课程入口、课节清单、每次怎么开始 ├── progress.md # 每课:读讲义 / 做练习 / 记笔记 ├── questions.md # 待解决的问题 ├── check-env.ps1 # 环境自检,按 README 操作 ├── data/ # 练习用到的样例数据 └── lessons/ # 每课一个文件夹:notes.md + exercises/ └── 01-01-evaluating-graph-rag-vs-standard/ - 每课文件夹里建 notes.md(顶部写本课官方链接)和 exercises/;课节文件夹名称与上面一致。 - 已有课程目录先检查并复用;不覆盖笔记、作业或 progress.md,不重置已有进度。尚未发布的课节保留入口并注明未发布,不能代写讲义或虚构练习。 4. 自检 - 创建 check-env.ps1,逐项检查并记录“通过/未通过”: - 在课程根目录运行;每项检查独立执行,进入子目录不能影响下一项。将下面检查转换为 PowerShell 命令,不使用 Bash 语法。 - 打开文章页面,确认能看到 Prerequisites and Setup 与代码块 → 正文与代码完整可读,无需登录 - python -c "import chromadb, transformers; print('ok')" → 输出 ok - 检查 benchmark_queries 长度是否为 50 → 输出 50 - 标注为人工检查、浏览器操作或 notebook 单元的项目,按相应方式操作,不直接粘贴进 shell;脚本只包含当前系统可执行的命令。 - 仅在当前路线需要、对应材料已获准保存、工具已安装时运行该项;需要登录、付费或尚未开放的材料记为“需要我操作/未验证”,不能伪报通过。不执行会调用付费 API、提交作业或修改云服务的检查。 - 运行一次,把结果给我看;未通过的项目说明原因和修复办法。 5. 学习计划 - README.md:课程入口、课节清单(带链接)、每次学习怎么开始(使用“每课提示词”)。 - progress.md:每课三项勾选——读讲义、做练习、记笔记。 6. 最后分三部分汇报:已完成、需要我自己操作的、尚未验证的。 边界: - 需要管理员权限、会产生费用或需要填写密钥的操作,先告诉我原因,等我同意。密钥由我在本机配置,不发到聊天,不写进笔记或版本库;原项目需要 .env 时确认已被 Git 忽略。 - 不替我写练习或作业答案,也不替我提交。我卡住时只给提示;我明确要求时才给解答。 - 只下载许可允许个人保存的材料;其余只放链接。不把未运行的命令说成成功。 如果你不能直接操作我的文件系统,请在确认目录后给出适用于我的系统、可直接执行的命令和需要保存的文件内容。搭好后的课程目录
graph-rag-vs-standard-rag-hallucination-/ ├── README.md # 课程入口、课节清单、每次怎么开始 ├── progress.md # 每课:读讲义 / 做练习 / 记笔记 ├── questions.md # 待解决的问题 ├── check-env.ps1 # 环境自检,按 README 操作 ├── data/ # 练习用到的样例数据 └── lessons/ # 每课一个文件夹:notes.md + exercises/ └── 01-01-evaluating-graph-rag-vs-standard/
来源与使用须知
- 收录时间
- 本站首次收录 2026-10-20
- 指南参考
- 课程主页
版权与转载
- 课程材料未标明许可:仅供个人学习,转载、修改或商用前请先联系原作者。
- 本站只提供原始链接和学习指南,不转载、不镜像课程材料;引用时请注明原作者与出处。