RAG 面試整理：從三階段流程到 Agentic RAG，九種變體怎麼分、怎麼答
RAG 面試題用「三階段流程 → 各階段的失敗點 → 九種變體各補哪個洞 → 6 類 RAG 解不了的問題」四步回答：Self-RAG、CRAG、Adaptive-RAG 補判斷，Graph RAG、KG-RAG 補索引，CAG 乾脆不檢索，Agentic RAG 與 Reasoning RAG 把決策交給模型。
#knowledge-graph
11 篇文章圖譜 RAG 怎麼選：GraphRAG v3.1.2、LightRAG 與 HippoRAG 2 的設計、成本與選型
同樣是「知識圖譜 + 檢索」，Microsoft GraphRAG v3.1.2 用重索引換全局總結能力，LightRAG 用 dual-level 與增量把成本砍下來，HippoRAG 2 用 PPR 把 RAG 做成可持續增長的記憶；這篇按部件拆設計取捨，含四種查詢、索引流程與選型表。
Cognee 完整介紹：把文件變成 Agent 可查詢的知識圖記憶
Cognee 是資料到 AI memory 的 pipeline：用 relational store 保存來源與 provenance、vector store 找語意相近內容、graph store 表達 entity 關係，再以 remember、recall、improve、forget 管理生命週期。
SPINACH Agent 如何逐步探索 Wikidata 並寫 SPARQL｜Stanford CS224V 第 10 堂
SPINACH 不一次猜完整 SPARQL，而是搜尋 entity/property、查看 Wikidata entry 與 property examples、執行小查詢，再逐步組合完整查詢；action set 與停止規則是可靠性的核心。
Zep 完整介紹：用時序知識圖管理 Agent 記憶
Zep 的核心不是向量化聊天紀錄，而是把 episode 抽成帶有效時間的 entity 與 fact，讓新資訊使舊關係失效但不抹掉歷史；Graphiti 是開源核心，Zep 則是代管與治理層。
圖機器學習：十九堂課的重心與六份 Colab 作業｜Stanford CS224W 課程總覽
CS224W 是 Stanford 的圖機器學習課：十九堂從節點嵌入、GNN、graph transformer、知識圖譜，講到關聯式深度學習與 GNN 加 LLM。投影片、三份書面作業與六份 Colab 都公開，可以直接下載開跑；公開錄影是 2021 年的版本，後半的新主題只有投影片，考試與自動評分拿不到。
融資速報｜Prevalent AI $22M 首輪機構融資
Prevalent AI 完成 $22M 首輪機構融資，由 Integrity Growth Partners 領投。這筆錢代表「先証明市場、後拿錢」在 agentic AI 時代仍然行得通——當多數新創在燒 VC 的錢找 PMF，一家自籌資金 9 年、已服務大型企業的公司選擇在 agentic AI 最需要它的時候才進場拿錢。
CodeGraph：本地端程式碼知識圖譜，與「直接走圖才省錢」的真相
CodeGraph 用 tree-sitter 把 codebase 抽成本地 SQLite/FTS5 知識圖譜，讓 AI coding agent 查圖而不是掃檔。官方端到端 benchmark（7 repos、median of 4）平均省 35% 成本、70% tool calls；但前提是 agent 直接走圖——把探索 delegate 給只會讀檔的 subagent，CodeGraph 反而變成 overhead。
Graphify：把程式碼和文件變成可查詢的知識圖譜
Graphify 用 tree-sitter AST 提取程式碼結構，再用 LLM 語意分析文件與圖片，把整個專案壓縮成一張可查詢的知識圖譜。號稱每次查詢比讀原始檔案省 71.5 倍 token。
code-review-graph：用知識圖譜讓 AI Code Review 省下 8 倍 Token
code-review-graph 用 Tree-sitter 解析 codebase 建立持久化知識圖譜，追蹤變更的爆炸半徑，只把真正相關的 context 餵給 AI，號稱平均省下 8.2 倍 token。
GraphRAG：把知識做成圖，讓 LLM 沿著關係推理
向量搜尋找相似，圖搜尋走關係。當問題需要跨多個實體的推理（岩場→路線→完攀者→難度分布），GraphRAG 比標準 RAG 更有優勢。