Традиционный RAG против графового RAG, четко объяснено (с визуализациями):

восстановление top-k в RAG редко работает. Представьте, что вы хотите обобщить биографию, где каждая глава описывает конкретное достижение человека. Традиционный RAG испытывает трудности, потому что он извлекает только топ-k фрагментов, в то время как ему нужен весь контекст.

Graph RAG решает эту задачу следующим образом: - Создание графа с сущностями и отношениями из документов. - Обход графа для извлечения контекста. - Отправка всего контекста в LLM для получения ответа. На визуализации показано, как это отличается от наивного RAG:

Давайте посмотрим, как Graph RAG решает вышеупомянутую проблему. Сначала система (обычно LLM) создаст граф из документов. Этот граф будет иметь подграф для человека (P), где каждое достижение находится на одном шаге от узла сущности P.

Во время суммирования система может выполнить обход графа, чтобы получить весь релевантный контекст, связанный с достижениями P.

Весь контекст поможет LLM дать полный ответ, в то время как наивный RAG не сможет. Системы Graph RAG также лучше, чем наивные системы RAG, потому что LLM по своей природе хорошо разбираются в рассуждениях со структурированными данными.

Надеюсь, это проясняет, что такое Graph RAG и какие проблемы он может решить! Оставляю вас с визуальным представлением того, как он работает по сравнению с традиционным RAG.

Если вы нашли это полезным, поделитесь с вашей сетью. Найдите меня → @akshay_pachaar ✔️ Для получения дополнительных сведений и учебных материалов по LLM, AI-агентам и машинному обучению!