传统RAG与图形RAG的清晰解释（附带视觉效果）:

在RAG中，top-k检索很少有效。 想象一下，你想要总结一本传记，其中每一章都详细描述了一个人的具体成就。 传统的RAG面临困难，因为它只检索top-k块，而它需要的是整个上下文。

Graph RAG 通过以下方式解决这个问题： - 从文档中构建包含实体和关系的图。 - 遍历图以进行上下文检索。 - 将整个上下文发送给 LLM 以获取响应。 该视觉图展示了它与简单 RAG 的不同之处：

让我们看看 Graph RAG 如何解决上述问题。 首先，一个系统（通常是 LLM）将从文档中创建一个图。 这个图将为个人（P）创建一个子图，其中每个成就都与 P 的实体节点相距一跳。

在总结过程中，系统可以进行图遍历，以获取与P的成就相关的所有相关上下文。

整个上下文将帮助LLM生成完整的答案，而简单的RAG则无法做到。 图形RAG系统也优于简单的RAG系统，因为LLM天生擅长处理结构化数据的推理。

我希望这能澄清什么是 Graph RAG 以及它可以解决的问题！ 我将给你留下一个视觉表示，展示它与传统 RAG 的工作方式的比较。

如果您觉得这篇文章有启发性，请与您的网络分享。 找到我 → @akshay_pachaar ✔️ 获取更多关于LLM、AI代理和机器学习的见解和教程！