傳統 RAG 與圖形 RAG，清楚解釋（附視覺圖示）:

在 RAG 中，top-k 檢索很少有效。 想像一下，你想要總結一本傳記，其中每一章都詳細描述了一個人的具體成就。 傳統的 RAG 遇到困難，因為它僅檢索 top-k 區塊，而它需要整個上下文。

Graph RAG 透過以下方式解決此問題： - 從文檔中構建包含實體和關係的圖形。 - 遍歷圖形以檢索上下文。 - 將整個上下文發送給 LLM 以獲取回應。 視覺顯示了它與天真的 RAG 的不同之處：

讓我們看看 Graph RAG 如何解決上述問題。 首先，系統（通常是 LLM）將從文檔中創建一個圖。 這個圖將有一個針對個人（P）的子圖，其中每個成就都與 P 的實體節點相距一跳。

在總結過程中，系統可以進行圖形遍歷，以獲取與P的成就相關的所有相關上下文。

整個上下文將幫助 LLM 產生完整的答案，而天真的 RAG 則無法做到。 圖形 RAG 系統也比天真的 RAG 系統更好，因為 LLM 本質上擅長處理結構化數據的推理。

我希望這能澄清什麼是 Graph RAG 以及它可以解決的問題！ 我將給你一個視覺化的表示，展示它與傳統 RAG 的比較。

如果您覺得它很有見地，請與您的網路重新分享。 找到我 → @akshay_pachaar ✔️ 有關 LLM、AI 代理和機器學習的更多見解和教程！