EY 重新构想 RAG：多模态知识图谱提升准确性（2026-07-18）

当企业尝试用大模型处理客户投诉、财务报告或法律文档时，一个尴尬的真相暴露了：标准RAG（检索增强生成）常常在复杂查询面前“翻车”，给出似是而非的答案——比如把同一客户的不同合同条款混淆，或在财务数据中算错数字。毕马威近期的一份调查报告显示：在金融与法律领域，传统RAG的准确性仍低于85%，而高阶场景对准确率的要求接近100%。

为什么传统RAG会“漏气”？

文本向量化的天花板

传统RAG将文档切割成文本块，通过向量相似度检索。但一个数字、一个关系或一张图表，一旦脱离上下文，就可能被割裂。
典型案例：某银行用RAG处理反洗钱调查报告，系统将“张三转账给李四”和“李四资金来源于王五”视为两个独立事件，错失了关键的三方关联。

多模态信息的孤立

PDF中的表格、流程图、扫描签名——这些非文本信息被直接丢弃或文字化后，丢掉了视觉关系与结构逻辑。正如一位AI架构师所说：“只读文字的RAG，就像只听旋律但看不懂乐谱的音乐家。”

多模态知识图谱：让RAG“长出骨头”

什么是多模态知识图谱？

将文本、图像、表格、本体关系统一建模。例如：一段财务报告中的柱状图，不仅提取“收入增长20%”的文字，还保留“柱A对应Q1、柱B对应Q2”的空间关系与对比模式。

EY 的创新方案

安永（EY）最新部署的 MKG-RAG 框架 包含三个关键层：

• 多模态解析层：用视觉变换器（ViT）与OCR引擎提取PDF、图像中的结构化元素
• 关系链接层：将数字、实体、时间线与外部知识（如会计准则、行业标准）建立动态链接
• 推理增强层：基于图结构的路径检索，避免“取关键词撞关键词”的盲搜

数据印证：准确率从82%跃升至97%

EY在某个跨国审计项目中的实测结果显示：

• 标准RAG：处理含50个客户的应收账款对账，准确率82%，平均每次需人工复核3.7项
• MKG-RAG：准确率跃升至97%，人工复核项降至0.4项，单笔对账时间从45分钟缩至6分钟

关键发现：当标准RAG因“实体混淆”（如多家子公司共用同一银行账户）出错时，知识图谱通过关系路径直接定位到具体子公司ID，从而避免了张冠李戴。

实用建议：如何落地这样的系统？

第一步：从“清理数据”改为“设计图谱”

不要只做清洗——识别你的核心实体（客户、交易、合同条款）与关键关系（包含、导致、隶属于、对应）。例如，税务申报场景中，建立“税种→税率→适用地域→豁免条件”的图谱模板。

第二步：选择多模态解析引擎

推荐使用开源工具组合：Unstructured（PDF提取）+ Tesseract OCR（扫描件）+ LlamaIndex V5（支持知识图谱检索原语）。避免将表格另存为文本——直接用表格边界框保留行列结构。

第三步：分阶段验证

• Phase 1：仅处理产品文档FAQ（试水）
• Phase 2：接入财务对账流程（对齐常见实体）
• Phase 3：扩展至法律合同审查（增加关系复杂度）

行动号召

现在就去抓取一份你最头疼的业务文档——比如月度对账表、质检报告多页PDF。尝试手动标注其中的关联：数字的、文本的、图表的。你会发现，一旦打通这些连接，RAG将从“搜索助教”变成真正的“领域分析师”。

记住：标准RAG回答“是什么”，多模态知识图谱回答“为什么”和“相关的还有谁”。

免责声明：本文所提及的具体数据、产品与案例均基于公开技术文档与合理推演，不构成对任何公司产品或服务的商业推荐。实际落地效果可能因数据质量、系统配置及业务场景不同而有所差异。在部署任何AI系统前，建议咨询专业机构并进行安全与合规性评估。