RAG truyền thống so với RAG đồ thị, được giải thích rõ ràng (có hình ảnh):

việc truy xuất top-k trong RAG hiếm khi hoạt động. Hãy tưởng tượng bạn muốn tóm tắt một tiểu sử mà mỗi chương chi tiết một thành tựu cụ thể của một cá nhân. RAG truyền thống gặp khó khăn vì nó chỉ truy xuất các đoạn top-k trong khi cần toàn bộ ngữ cảnh.

Graph RAG giải quyết vấn đề này bằng cách: - Xây dựng một đồ thị với các thực thể và mối quan hệ từ tài liệu. - Duyệt qua đồ thị để lấy ngữ cảnh. - Gửi toàn bộ ngữ cảnh đến LLM để nhận phản hồi. Hình ảnh minh họa cách mà nó khác với RAG đơn giản:

Hãy xem cách Graph RAG giải quyết vấn đề trên. Đầu tiên, một hệ thống (thường là LLM) sẽ tạo ra một đồ thị từ các tài liệu. Đồ thị này sẽ có một đồ thị con cho người (P) nơi mỗi thành tựu cách nút thực thể của P một bước.

Trong quá trình tóm tắt, hệ thống có thể thực hiện việc duyệt đồ thị để lấy tất cả bối cảnh liên quan đến những thành tựu của P.

Toàn bộ ngữ cảnh sẽ giúp LLM tạo ra một câu trả lời hoàn chỉnh, trong khi RAG ngây thơ thì không. Các hệ thống Graph RAG cũng tốt hơn các hệ thống RAG ngây thơ vì LLM vốn đã giỏi trong việc suy luận với dữ liệu có cấu trúc.

Tôi hy vọng điều này làm rõ Graph RAG là gì và những vấn đề mà nó có thể giải quyết! Tôi sẽ để lại cho bạn một hình ảnh minh họa về cách nó hoạt động so với RAG truyền thống.

Nếu bạn thấy nội dung này hữu ích, hãy chia sẻ lại với mạng lưới của bạn. Tìm tôi → @akshay_pachaar ✔️ Để biết thêm thông tin chi tiết và hướng dẫn về LLMs, AI Agents, và Machine Learning!