1、引言

随着人工智能技术的迅猛发展，大型语言模型（LLM）凭借其卓越的生成能力在医疗健康领域展现出巨大潜力。然而，这些模型在面对专业性、时效性和准确性要求极高的医疗场景时，往往面临知识更新受限、事实准确性不足以及幻觉问题等挑战。为解决这些问题，检索增强生成（Retrieval-Augmented Generation，RAG）和知识增强生成（Knowledge-Aware Generation，KAG）两大技术应运而生，它们通过将外部知识库与生成模型相结合，显著提升了AI系统在医疗等专业领域的表现。

RAG技术作为一种早期的解决方案，通过检索外部知识库中的相关信息并将其作为上下文输入生成模型，有效弥补了大型语言模型在知识更新和准确性方面的不足。然而，随着应用场景的深入，RAG在处理复杂逻辑推理、保持知识一致性以及避免检索噪声干扰等方面逐渐显现出局限性。为克服这些挑战，知识增强生成（KAG）技术应运而生，它通过引入知识图谱，不仅保留了实体之间的逻辑关系，还增强了生成模型的推理能力和知识关联性。

本研究将从结构化数据、非结构