| Agentic RAG |
代理式檢索增強生成 |
文章主題：結合圖譜查詢與工具路由的自主式 RAG 流程，能自行決定何時下圖查詢 |
| Knowledge Graph |
知識圖譜 |
Neo4j 以節點與關係儲存的結構化知識，用以取得「真實」答案 |
| Neo4j |
Neo4j（圖形資料庫） |
本文使用的圖形資料庫，存放電影圖譜並執行 Cypher |
| Cypher |
Cypher 查詢語言 |
Neo4j 的查詢語言，由 LLM 生成後對圖譜執行 |
| Text2Cypher |
文字轉 Cypher |
將自然語言問題轉換為可執行 Cypher 查詢的類別/工具 |
| Vector embeddings |
向量嵌入 |
傳統 RAG 用來檢索「相似文本」的表示法，但缺乏精確結構化能力 |
| Vector similarity search |
向量相似度搜尋 |
語意檢索方式，面對精確、多跳問題時會失效 |
| Multi-hop |
多跳（多重關係）查詢 |
需經多層關係才能回答的問題，如演員又演過哪些片 |
| Graph traversal |
圖譜遍歷 |
沿節點與關係走訪以取得精確結構化結果 |
| Hallucination |
幻覺 |
LLM 捏造屬性名或答案；圖譜接地可從根源修正 |
| Tool calling / Function calling |
工具呼叫／函式呼叫 |
LLM 依工具描述 schema 選擇並執行對應函式 |
| Tool router |
工具路由器 |
由 LLM 判斷該用直接查詢工具或 Text2Cypher 的路由模組 |
| Schema (graph schema) |
圖譜結構描述 |
節點標籤、關係型別與屬性的文字化表示，注入提示供 LLM 生成正確 Cypher |
APOC (apoc.meta.data()) |
APOC 擴充程序 |
Neo4j 擴充程序，揭露整個圖譜結構（標籤、關係、屬性） |
| Node / Relationship / Property |
節點／關係／屬性 |
圖譜三要素，如 Person、ACTED_IN、title |
| Question normalization |
問題正規化 |
將輸入改寫為確定性、原子化形式以消除歧義 |
| Critique agent |
評析代理 |
檢查答案是否完整，缺漏則生成新的子問題重入路由迴圈 |
| Query updater agent |
問題改寫代理 |
利用先前答案補全資訊，使問題更原子化、具體 |
| Grounding |
接地（基於資料來源） |
答案嚴格基於資料庫結果，禁止外部捏造 |
| Aggregation |
聚合查詢 |
如「有多少合約有效／下季到期」等需計數彙總的問題 |