拒绝等待！阿里云瑶池数据库 x Qwen3，构建增强式RAG

阿里云瑶池数据库 2025-05-06

233

引言

日前，阿里巴巴正式发布通义千问Qwen3并登顶全球开源大模型王座，性能全面超越DeepSeek-R1和OpenAI o1，横扫各大基准测试榜单。

此次开源包括两款MoE模型：Qwen3-235B-A22B（2350多亿总参数、 220多亿激活参），以及Qwen3-30B-A3B（300亿总参数、30亿激活参数）；以及六个Dense模型：Qwen3-32B、Qwen3-14B、Qwen3-8B、Qwen3-4B、Qwen3-1.7B和Qwen3-0.6B。

阿里云瑶池数据库现已适配 Qwen3 模型，支持在 DMS+AnalyticDB 上进行私域部署，并与 Dify 无缝集成。用户可以通过 Dify on DMS 快速启用 Qwen3 模型，实现开箱即用，并结合 AnalyticDB GraphRAG 能力突破传统 RAG 的局限，实现高复杂场景下的知识关联检索与分析。

传统RAG方案的不足

RAG 通过结合知识库提升内容生成的质量，其流程包括三个主要步骤：

索引：利用 Embedding 模型将文档分块转化为向量，并存储在向量数据库中。
检索：将查询转化为向量，通过相似性算法在向量数据库中查找相关上下文文档。
生成：将查询和检索到的上下文文档输入到大型模型中，以生成高质量的结果。

这种方法有效结合了模型内部知识和外部知识库，特别适用于知识密集型任务，提高了生成内容的准确性和可信度。RAG 还可以结合提示词工程、模型微调和知识图谱，形成更广泛的问答链。然而，传统 RAG 在处理复杂关系、多跳推理和知识关联等场景时存在一定局限性：

上下文理解不足：难以深度理解文本中实体间的复杂关系，影响回答的准确性。
信息筛选不佳：难以区分关键信息与冗余信息，导致使用无效内容或噪声。
查询意图不明确：查询过于笼统或含歧义时，影响向量和模型的准确性。

基于 Qwen3+AnalyticDB+Dify on DMS

构建一站式GraphRAG服务

与传统 RAG 不同，GraphRAG 是通过图来保存文本知识中实体之间的联系。通过将文本抽象为图数据，知识图显著简化了输入文本，减少冗长问题。GraphRAG 从预先构建的图数据库中检索与查询相关的图元素，如节点、三元组、路径或子图。通过检索子图或图社区，GraphRAG 能够捕捉更广泛的上下文和联系，有效应对 QFS 挑战。

构建一个完整的 GraphRAG 业务，需要三个重要的子系统：知识图谱理解抽取系统、基于向量与图的 GraphRAG 引擎系统、支持RAG的AI工程框架。

阿里云瑶池 DMS+AnalyticDB 支持私域部署大模型，Dify+Qwen3模型在同一专有网络（VPC）内部署，通过客户自购资源部署和专有网络联通使用，数据不出域，安全有保障，服务更稳定！通过结合 Dify on DMS + Qwen3 + AnalyticDB PostgreSQL，可以实现高效安全的 GraphRAG 业务应用。

知识图谱理解与抽取

知识图谱系统用于实现知识建模和抽取。最新的阿里通义千问 Qwen3 在文档理解、数据抽取、问题分析、多语言识别等方面表现优异，它的参数量仅为DeepSeek-R1的1/3，但成本大幅下降，性能全面超越R1、OpenAI-o1等全球顶尖模型。我们利用通义千问Qwen3，完成对文本的分析并进行实体和关系的三元组抽取，从而构建相应的知识图谱。

GraphRAG 引擎

相比传统 RAG，结合向量和图的 GraphRAG 能更高效地处理大规模知识的关联检索与分析。阿里云瑶池旗下的云原生数据仓库AnalyticDB PostgreSQL（以下简称ADB PG）作为一款具备 GraphRAG 引擎的MPP数据库，它具备完整的事务处理、高吞吐写入和流批一体引擎以及提供关系型数据存储、全文、向量存储和图数据存储功能，显著简化应用构建的过程，提供精准分析和决策支持。通过整合 Qwen3 的知识抽取能力和 AnalyticDB PostgreSQL 的图引擎优势，GraphRAG 可以实现更全面的上下文理解和信息检索，优化业务流程。

Data Agent LLMOps 平台

AI框架作为业务层的"智能中枢"，负责协调数据流转、模型调度和结果生成，实现从原始数据到智能服务的端到端闭环。Dify on DMS是阿里云瑶池数据库基于Data+AI驱动的数据管理平台DMS推出的一站式AI应用部署解决方案。通过DMS可以轻松将Dify应用部署到阿里云上，并与通义大模型和瑶池数据库生态等无缝融合。无论是数据处理、模型训练，还是AI应用的快速上线，DMS都能提供低门槛、开箱即用的体验，构建企业级安全稳定的Data+AI平台。目前已经支持Qwen3的全家族模型部署。

目前，DMS LLMOps平台累计支持了超100+客户实现端到端的企业级Agent平台搭建，结合AnalyticDB增强RAG能力构建Data Agent，并提供所需要的全链路管理能力，实现从一键部署平台+模型、模型管理、应用编排等核心能力；现已全网发布支持Qwen3的全家族模型部署，可立即开通使用。

案例介绍：某头部新零售客户

某头部新零售客户在使用RAG构建知识问答系统的过程中，发现传统向量RAG系统难以处理复杂关系、多跳推理和知识关联的查询。这导致结果不够准确，无法满足其高复杂度的业务需求。例如在一个典型的多跳推理的问答，“我有A场景的需求，你能推荐几个功能以及相关的指标么？”。在传统基于向量的RAG检索过程中，由于业务文档只有产品与场景需求的对应关系，因此只通过向量搜索无法完成场景 -> 产品 -> 功能 -> 指标的多跳推理来正确回答用户的问题，GraphRAG就能解决这个问题。

首先GraphRAG对用户业务文档中的实体关系进行抽象，转换为知识图谱并将知识图谱持久化至图引擎中。然后通过大模型对于用户问题的关键词提炼，能够得到场景，功能，指标这些实体关键字，然后根据问题中的关键字检索知识图谱，这样能够最终得到用户想要的回答。而ADB PG由于同时具备向量与图的检索能力，因此，此客户选择基于DMS+LLM+ADB PG的GraphRAG，以克服传统RAG的局限性，增强了复杂信息处理能力。同时，使用GraphRAG也可以通过知识图谱的可视化能力，让业务方能够更加直观地获取数据信息和拓扑关系，提升服务效率。