AI大模型领域的推荐阅读清单

本文用于收集整理我感兴趣的AI大模型领域的推荐阅读清单，主要包括综述论文、经典论文和前沿论文。即使已经聚焦到大模型领域，它仍然是个很大的范畴；而从实用性的角度出发，我将收敛到围绕RAG技术和拓展应用的材料。

01. 网络材料

Vector | Graph：蚂蚁首个开源Graph RAG框架设计解读

本文聚焦检索增强生成（RAG）技术。RAG 结合信息检索与大模型，缓解 “幻觉” 问题，核心链路含索引、检索和生成。传统 RAG 存在的问题，可由Graph RAG 引入知识图谱改进。基于二者相似性设计通用 RAG 架构，抽象 IndexStore 统一存储，集成蚂蚁开源框架 DB-GPT 等。Graph RAG 可从内容索引、检索生成优化，未来 RAG 有望向智能体架构演进。

关键词: 检索增强生成（RAG）, 知识增强, GraphRAG

---

RAG与知识图谱 | 李乾坤的博客

文章聚焦GraphRAG技术。它相比传统RAG，引入知识图谱，能理解实体关系，在复杂查询场景表现更优，适用于实体关联复杂、语义推理需求高的场景，如智能客服、医疗问诊等。其将非结构化数据转知识图谱存储，检索时提取实体，增强LLM生成。GraphRAG分索引和查询阶段，有本地和全局搜索方法。不过，该技术还不成熟，面临建模、图谱规模、建图可控性等挑战，数据到知识过程也存在问题。

评述: 本文科普了RAG，此外作者分析了将知识图谱与RAG结合的可行性与潜在困难。

---

Neo4j: RAG Archives - Graph Database & Analytics

此页面是Neo4j官方文档关于RAG标签的聚合。Neo4j是目前主流商业应用的图数据库，提供了强大的数据分析能力。LangChain与Neo4j有深度的技术合作，并在Microsoft中有生产型项目的应用。因此，中小型Graph RAG项目的起手式可以从Neo4j图数据库开始。

02. 专著图书

03. 论文清单

3.1 综述论文

A Survey of Community Detection Approaches: From Statistical Modeling to Deep Learning

社区检测是网络分析的基础任务，通过将网络划分成多个子结构来揭示其潜在功能，在众多现实网络问题中应用广泛。传统的社区检测方法多基于概率图模型，借助先验知识推断社区结构。随着网络问题和数据愈发复杂，深度学习等新方法不断涌现，这类方法能将网络数据转化为低维表示。 然而，目前人们对社区检测的理论和方法基础理解不足，这对网络分析领域的未来发展极为关键。

在本文中，作者构建了一个统一的网络社区发现方法架构，展现了社区检测领域的前沿水平。通过全面回顾现有方法，提出新分类法，将其分为概率图模型和深度学习两类，并详细探讨了每类方法的核心思想。 为推动社区检测发展，作者发布了多领域基准数据集，强调其在网络分析任务中的应用。最后，讨论了该领域面临的挑战，并对未来研究方向提出建议，为后续研究提供了重要参考。

科普阅读:

• 社区发现算法综述
• 万物皆网络，万字长文详解社区发现算法Louvain

关键词: 网络分析（network analysis）, 社区发现（community detection）

3.2 经典论文

3.3 前沿论文

04. 我的评述