知识图谱增强RAG系统在烹饪领域的实践

1. 项目背景与核心目标

这个项目是基于知识图谱增强的RAG（检索增强生成）系统在烹饪领域的实践应用。作为一名长期从事知识图谱和搜索系统开发的工程师，我发现传统RAG系统在处理复杂关系查询时存在明显短板。比如当用户询问"适合糖尿病人吃的低糖川菜"时，单纯依赖向量相似度的检索往往难以准确捕捉"糖尿病友好"、"低糖"和"川菜"这三个维度的关联。

Task06的核心创新点在于引入了Neo4j图数据库作为知识图谱存储，并设计了智能查询路由机制。系统能够自动分析查询意图，在向量检索（Milvus）和图检索（Neo4j）之间动态选择最优路径。实测表明，这种混合架构使复杂烹饪问答的准确率提升了约40%。

2. 系统架构设计解析

2.1 整体架构演进

原始RAG系统（Task05）存在三个关键局限：

1. 隐式关系：菜谱、食材间的关联依赖文本共现，无法显式建模"替代关系"、"营养成分类似"等语义
2. 单跳检索：难以处理"用冰箱剩余鸡蛋能做的快手早餐"这类需要多步推理的查询
3. 静态知识：无法实时更新食材季节性价格波动等动态信息

改进后的架构包含六个核心模块：

mermaid复制graph TD
    A[图数据准备] --> B[向量索引构建]
    B --> C[混合检索]
    A --> D[图RAG检索]
    C & D --> E[智能路由]
    E --> F[生成集成]

2.2 模块交互流程

典型查询"适合聚会准备的30分钟快手菜"的处理过程：

1. 路由分析：LLM判断需要组合使用关键词匹配（"快手菜"）和图关系查询（"适合聚会"）
2. 并行检索：
   • 混合检索模块提取"30分钟"、"快手"等关键词
   • 图检索模块查找具有"适合聚会"标签的菜谱节点
3. 结果融合：按0.6:0.4权重合并两类结果
4. 生成增强：用图数据库中的用户评价数据补充生成内容

3. 关键技术实现细节

3.1 知识图谱建模实践

3.1.1 数据转换流水线

原始Markdown菜谱通过LLM转换为图数据的流程值得特别说明。我们设计了三阶段prompt：

python复制# 第一阶段：实体识别
prompt = f"""从以下菜谱提取实体：
1. 主食材（明确用量，如"土