為什麼 GraphRAG 需要「實體」？文章片段 (Chunks) vs 專業名詞 (Entities) 的底層邏輯
為什麼 GraphRAG 需要「實體」？文章片段 (Chunks) vs 專業名詞 (Entities) 的底層邏輯
在建立自己的知識庫（如 Skill Graph）或打造進階的 RAG（檢索增強生成）系統時，我們經常會混淆兩個概念：「文章片段（Chunks）」與「專業名詞（Entities）」。
這是一個非常關鍵的區分！簡單來說，「文章片段 (Chunks)」是內容的載體，而「專業名詞 (Entities)」則是內容的靈魂（核心意義）。
這篇文章將帶你從三個維度徹底看懂它們的不同，並介紹如何透過「三明治結構」建立出不受雜訊干擾的 Skill Entity Graph。如果你正在用 GraphRAG 升級你的知識庫，這會是你最需要建立的核心觀念。
一、三維度看懂 Chunk 與 Entity 的本質差異
1. 定義上的差異
- 文章片段 (Chunks)：
這是物理上的切割。當你有一篇 5000 字的職涯文章，為了讓 AI 讀得進去（符合 Token 限制），你會把它切成每段 500 字的小塊。這些小塊包含各種贅字、連接詞（如「因為」、「所以」、「總結來說」）。 - 專業名詞 (Entities)：
這是語意上的提煉。它是從文章中萃取出的「關鍵概念」，比如：React、CI/CD、分散式架構。它是不受文章段落限制的獨立單位。
2. 關係建立邏輯（決戰點）
這是傳統 RAG 與 Entity Graph RAG 的分水嶺：
方式 A：基於「長相」的鄰居（Chunk kNN）
這是在比較兩段話的「語感」或「氛圍」。
- 風險： 如果 Chunk 1 在說「如何維護電腦硬體（例如更換風扇）」，Chunk 2 在說「電腦軟體市場分析」，因為它們都頻繁出現「電腦」，AI 可能會把它們連在一起。但如果你今天想找的是「後端軟體開發」，系統卻會因為這種關聯帶你去看「硬體清潔」，這就是無意義的雜訊。
方式 B：基於「血緣」的親戚（Entity Embedding Graph）
這是在比較兩個名詞在「知識領域」裡的真實關係。
- 優勢： 當我們連線
Kubernetes和Docker時，這不是因為它們長得像，而是因為在數百萬份技術文件中，這兩個詞總是同時出現、互相支撐。這種連線是結構化的，非常有邏輯。
3. 實戰對比表
| 特性 | 方式 A：文章片段 (Chunks) | 方式 B：專業名詞 (Entities) |
|---|---|---|
| 顆粒度 | 粗（一大段話） | 細（一個詞或短語） |
| 主要功能 | 提供「詳細描述」與「上下文」 | 提供「導航」與「邏輯結構」 |
| 檢索效果 | 容易找到「類似的文章」 | 容易找到「相關的知識領域」 |
| 可解釋性 | 低（AI 說它們像，但說不清為什麼） | 高（因為 Docker 是 K8s 的容器運行時） |
| 假設你有 200 個 Nodes | 會變成 200 個內容碎片（雜亂） | 會長成 200 個技能點（整齊的技能樹） |
二、為什麼這對你的「知識圖譜」很重要？
想像你在整理你的職涯知識庫或個人筆記：
- 如果用方式 A (Chunks)：你問「後端開發」，系統可能會給你一堆「提到後端」的日記、筆記或草稿，裡面甚至夾雜著「今天後端主機壞了」這種閒聊的無關內容。
- 如果用方式 B (Entities)：系統會先看到「後端開發」連接著 API Design、Database、Node.js。接著，它會去這些精準的技能節點下，幫你把相關的教材片段（Chunks）抓出來。
結論：方式 B 會先建立「地圖（Entities）」，再根據地圖去找「景點（Chunks）」。這比在荒郊野外亂撞（方式 A）要精準得多。
三、顛覆傳統 RAG 的「三明治結構」
傳統的 RAG（方式 A）只有兩層：問題 ↔ 文章片段。
而方式 B 的核心是在中間加了一層「專業名詞（Entity）層」，這層就像是圖書館裡的「分類索引卡」。
這就是 Entity Embedding Graph 的核心運作方式——我們稱之為「三明治結構」：
第一步：提煉出「索引卡」（Entity Layer）
這不是切割文章，而是從文章中「點名」。把 10 萬字的廢話，提煉成 200 個核心硬實力點位。
- 作法： 給 LLM 一段文章，並下達指令：「請列出這段文字中提到的所有『硬技能（Hard Skills）』、『工具（Tools）』或『架構（Architectures）』。」
- 或者使用混合式過濾（Hybrid Filtering）：準備一份你認可的技能清單（Skill Dictionary），用 Regex 在文章中掃描。極度穩定，不會出現莫名其妙的幻覺實體。
- 結果： 你會得到一張純粹的名單，例如：
["React", "Next.js", "Tailwind", "Vercel"]。
第二步：讓索引卡「自動連線」（Embedding Graph Layer）
這是方式 B 最神奇的地方。這 200 個詞，我們不需要手動一條一條畫線，而是全部交給 Embedding 模型處理。
- 原理： 為什麼 Docker 座標會靠近 Kubernetes？因為 Embedding 模型在訓練時讀過全網路的資料（比如數兆個網頁），它早已內化「Docker is used in Kubernetes environments」的知識。
- 效果： 當你把
Next.js和Vercel轉換成向量（數字座標）後，你會發現它們的座標靠得非常近；而React的座標也在附近。 - 只要座標距離夠近（超過 Similarity Threshold），程式就能自動在它們之間畫一條線。這就是**「知識的骨架」自動形成**的過程。
第三步：查詢時的「導航」邏輯（Chunk Layer）
當你問系統問題時，它不再直接去翻書（全庫檢索對比），而是先看索引圖：
- 鎖定起點： 你問「前端部署」，系統先在索引卡中找到
Vercel。 - 擴展搜索（Graph Traversal）： 系統看圖譜發現
Vercel原來連接著Next.js和Cloudflare。 - 精準撈取： 系統同時去底層的內容層（Chunk Layer），把掛載在這三個關鍵字下的所有筆記片段一口氣撈出來。
生活化比喻：
- 方式 A (Chunk kNN)：像在一個沒有目錄的超大圖書館問「我要找關於煮咖啡的」，結果撈出了一堆「咖啡店網美裝潢筆記」，因為裡面都有「咖啡」兩個字。
- 方式 B (Entity Graph)：系統先提煉出索引卡（咖啡豆、磨豆機、萃取壓力）。當你問「煮咖啡」，系統自動知道「磨豆機」與「咖啡豆」高度相關，直接帶你到這幾個專屬的櫃子拿資料。
四、實作 Entity Embedding Graph 的優質資源整理
目前講述「純粹」Entity Graph RAG 的中文資源較少，但 2025 年開始相關的方法已經在國外越來越普及。如果你想親手實作「提煉 Entity → Embedding 自動連線 → Graph Traversal」的完整流程，強烈推薦以下資源：
🎬 推薦影片（實作導向）
- GraphRAG Pipeline Tutorial (2025, 20 分)：展示從文本抽取實體（extract entity）到建立詞彙圖譜（lexical graph），並透過 NetworkX 搭配向量相似度連接邊，非常貼合上述的「三明治結構」。
- Neo4j Live: Entity Architecture for RAG (2025, 48 分)：介紹三層架構（chunks → entity layer → output），並使用 Cypher similarity threshold 連接實體。展示「固定 entity 勝於動態 LLM extract」的最佳實踐。（直接是本文核心概念的翻版）
- Hybrid Multi-Vector KG RAG (2025, 長教程)：Entity/關係多向量編碼（embed）並存入 Neo4j，示範相似度計算與 11 種 traversal 演算法，GitHub 附有完整範例代碼。
- Graph-Embedding Empowered Entity Retrieval (ECIR 2020)：Entity → embedding → similarity re-rank + graph traversal。論文程式碼有附帶 NetworkX 的實作。
📚 教學文章與完整代碼
- Memgraph: Unstructured Text to Entity Graphs：示範透過 LLM 提取實體，存入 Memgraph，並透過 Embedding 相似度進行查詢，5 分鐘內即可跑完的完整 demo。
- Vector Similarity in Graph DBs (Medium)：結合 NetworkX + OpenAI Embedding，利用餘弦相似度（Cosine Similarity）自動建立邊（edges），附有實戰代碼片段。
- HogoNext: Build KG with Embeddings：LLM 提取實體 → Fuzzy Match 與 Embedding 相似度 → 生成 NetworkX 圖結構，也是教科書級的「三明治」實作步驟。
- GraphRAG: Graph-Enhanced Vector Search：將實體描述轉為向量，進行向量搜尋與擴展的官方參考資料。
- entity2vec (GitHub)：利用 node2vec 針對 knowledge graph 實體做屬性編碼的 Python 函式庫，非常適合跑小型圖譜。
🌏 中文及理論資源
- 圖嵌入（Graph Embedding）入門詳解 (CSDN)：帶你理解 DeepWalk 與 Skip-Gram 如何讓 Embedding 擁有自動連線的能力。
- 中文圈尋找這類資料時，可多留心 GraphRAG 中文教學裡提到的「LLM 實體萃取」及「Vector Embeddings 混合查詢」相關段落。
如果你的節點也是具有固定定義的專業知識（如前面提到的 Skill Graph 200 個核心技能），採用 方式 B (Entity Graph) 絕對是目前防堵 AI 產生幻覺雜訊、並建立自動邏輯聯想（Graph Traversal）的最強武器！