解决LLM幻觉：知识图谱 vs 向量数据库实战教程

在构建基于大型语言模型（LLMs）的应用时，“幻觉”是一个令人头疼的常见问题——模型尽管能生成流畅的文本，却常常输出不准确、甚至完全虚构的信息。要有效抑制幻觉，一种靠谱的方法就是引入外部知识源，比如数据库或知识图谱。本教程将从原理到代码，带你理清向量数据库与知识图谱的区别，并手把手教你用LlamaIndex构建一个基于知识图谱的RAG应用，让LLM的回答更真实、更可靠。

一、为什么知识图谱能更好地对抗幻觉？

防止LLM幻觉的关键在于提供准确、有逻辑的外部信息。向量数据库和知识图谱虽然都能存储数据，但方式完全不同：

• 向量数据库：基于语义相似度，适合做“找相似”的操作（比如“巴黎”和“法国”的向量更接近）。
• 知识图谱：通过节点和关系存储结构化事实，能精确回答“是什么关系”、“有什么属性”等问题（比如“巴黎是法国的首都”）。

对于LLM幻觉问题，知识图谱是更优的选择，因为它能提供：更准确、相关、多样化、逻辑一致的信息。但要注意：源文档必须清晰展示实体间的关系，否则知识图谱也无法捕捉。