Traditionell RAG vs. Graph RAG, tydligt förklarad (med bilder):

top-k-hämtning i RAG fungerar sällan. Föreställ dig att du vill sammanfatta en biografi där varje kapitel beskriver en specifik prestation av en individ. Traditionell RAG kämpar eftersom den bara hämtar top-k-bitar medan den behöver hela sammanhanget.

Graph RAG löser detta genom att: - Skapa en graf med entiteter och relationer från dokument. - Bläddra i diagrammet för kontexthämtning. - Skicka hela sammanhanget till LLM för ett svar. Det visuella objektet visar hur det skiljer sig från naiva RAG:

Låt oss se hur Graph RAG löser ovanstående problem. Först kommer ett system (vanligtvis en LLM) att skapa en graf från dokument. Den här grafen kommer att ha en undergraf för personen (P) där varje prestation är ett hopp bort från entitetsnoden för P.

Under summeringen kan systemet göra en grafgenomgång för att hämta all relevant kontext relaterad till P:s prestationer.

Hela sammanhanget kommer att hjälpa LLM att producera ett fullständigt svar, medan naiva RAG inte kommer att göra det. Graph RAG-system är också bättre än naiva RAG-system eftersom LLM:er i sig är skickliga på att resonera med strukturerad data.

Jag hoppas att detta klargör vad Graph RAG är och vilka problem den kan lösa! Jag lämnar dig med en visuell representation av hur det fungerar jämfört med traditionell RAG.

Om du tyckte att det var insiktsfullt, dela det igen med ditt nätverk. Hitta mig → @akshay_pachaar ✔️ För fler insikter och handledningar om LLM:er, AI-agenter och maskininlärning!