图增强检索概述
本页编译自 raw/04_文档与参考/Markdown文档/注意.md
TL;DR
传统检索增强生成（RAG）依赖基于非结构化文本的向量搜索，仅能处理语义相似度场景，无法有效捕捉社交网络中的关系结构、社区拓扑和影响力传播的多跳路径；要分析社交网络中的影响力与信息流动，需要将图结构直接融入检索流程。
要点
- 理解社交网络中的影响力和信息流动，不能仅靠提取文本片段或孤立文档实现
- 传统检索增强生成（RAG）流程依赖非结构化文本上的向量搜索
- 向量搜索对语义相似度匹配场景表现良好，但会忽略关系结构、社区拓扑和多跳传播路径
- 要对社交图进行有意义的分析，AI系统需要将图结构直接整合到检索过程中
引用证据片段
Understanding **influence** and **information flow** in social networks
???
requires more than retrieving text snippets or isolated documents.
Traditional **Retrieval-Augmented Generation (RAG)**
???
pipelines rely on **vector search** over unstructured text, which works well for semantic similarity but ignores **relational structure**, **community topology**,
and the **multi-hop pathways**
???
through which influence spreads. To analyze a social graph meaningfully, an AI system may incorporate **graph structure** directly into the retrieval process.NOTE
原始资料自带的闪卡重复间隔标注保留如下：
- 关系结构、社区拓扑行：
<!--SR:!2000-01-01,1,250!2000-01-01,1,250!2000-01-01,1,250!2026-04-11,11,272-->- 多跳路径段落：
<!--SR:!2000-01-01,1,250!2026-02-15,4,270-->
冲突说明
暂无其他来源内容，未发现矛盾冲突。