Tradiční RAG vs. Graph RAG, jasně vysvětleno (s vizuálními prvky):

Načítání top-k v RAG funguje jen zřídka. Představte si, že chcete shrnout biografii, kde každá kapitola podrobně popisuje konkrétní úspěch jednotlivce. Tradiční RAG se potýká s problémy, protože načítá pouze top-k chunků, zatímco potřebuje celý kontext.

Graph RAG to řeší takto: - Vytváření grafu s entitami a vztahy z dokumentů. - Procházení grafu pro načtení kontextu. - Odeslání celého kontextu do LLM k odpovědi. Vizuál ukazuje, jak se liší od naivního RAG:

Podívejme se, jak Graph RAG řeší výše uvedený problém. Nejprve systém (typicky LLM) vytvoří z dokumentů graf. Tento graf bude mít podgraf pro osobu (P), kde každý úspěch je vzdálen jeden skok od uzlu entity P.

Během sumarizace může systém procházet grafem, aby načetl veškerý relevantní kontext související s úspěchy P.

Celý kontext pomůže LLM vytvořit úplnou odpověď, zatímco naivní RAG ne. Grafové RAG systémy jsou také lepší než naivní RAG systémy, protože LLM jsou ze své podstaty zběhlé v uvažování se strukturovanými daty.

Doufám, že to objasňuje, co je Graph RAG a jaké problémy může vyřešit! Zanechám vám vizuální znázornění toho, jak to funguje ve srovnání s tradiční RAG.

Pokud vám to připadalo užitečné, sdílejte to znovu se svou sítí. Najdi mě → @akshay_pachaar ✔️ Další poznatky a návody na LLM, AI agenty a strojové učení!