返回资源列表

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。

打开官方课程
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)
  1. 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。

  2. 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

    运行费用:实践费用待核验,网页未说明是否需要付费 GPU 或云服务,仅在 Colab 中安装开源库并加载 base 模型。

  3. 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/
准备好了,开始学习

来源与使用须知

收录时间
本站首次收录 2026-10-20
指南参考

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。