问题背景
传统问答系统往往将每个用户查询视为独立请求，难以维持对话一致性。当用户追问”这个发明者还创建过什么公司”时，系统可能丢失前文提到的”乔布斯”这一核心实体。
LightRAG的增强方案
- 对话状态跟踪：通过
initialize_pipeline_status()初始化对话历史存储模块，记录：- 已提及的实体列表（如”乔布斯”）
- 实体间最新激活的关系路径（如”创立→苹果公司”）
- 图谱上下文传播：设计QueryParam时设置
context_entities=["乔布斯"]参数，系统会自动：- 将该实体作为图谱检索的起点节点
- 优先展示与该实体关联度高的子图（如NeXT、皮克斯等关联公司）
- LLM提示词优化：在
llm_model_func注入函数中添加对话历史拼接逻辑，确保生成回答时包含之前讨论的实体关系
实施示例
开发者可参考以下代码片段实现多轮对话增强：query_params = QueryParam(mode="mix", context_entities=previous_entities)
本答案来源于文章《LightRAG：用于构建检索增强生成（RAG）应用的轻量级框架》
未经允许不得转载：AI生产力工具 » 怎样提升智能问答系统在多轮对话中的上下文关联能力？
简体中文 
English 
日本語 
Deutsch 
Português do Brasil