理解GraphRAG其實并不難，可以理解為由兩個主要模塊組成：

1. 向量檢索(Local Search)
2. 局部知識圖譜社區(qū)檢索(Global Search)

所謂 GraphRAG 一定程度上可以理解為使用 LLM 生成知識圖譜，在對復雜信息進行文檔分析時可顯著提高問答性能，尤其是在處理私有數(shù)據(jù)時。 GraphRAG構建流程主要是以下三個：

1. 圖表作為內容存儲：提取相關文檔塊并要求 LLM 使用它們進行回答。這種變體需要一個包含相關文本內容和元數(shù)據(jù)的 KG，以及與矢量數(shù)據(jù)庫的集成。
2. Graph 作為主題專家：提取與自然語言 (NL) 問題相關的概念和實體的描述，并將其作為附加的“語義上下文”傳遞給 LLM。理想情況下，描述應包括概念之間的關系。這種變化需要具有全面概念模型的 KG，包括相關本體、分類法或其他實體描述。實現(xiàn)需要實體鏈接或其他機制來識別與問題相關的概念。
3. 圖表作為數(shù)據(jù)庫：將 NL 問題(部分)映射到圖表查詢，執(zhí)行查詢并要求 LLM 總結結果。這種變化需要一個包含相關事實信息的圖表。這種模式的實現(xiàn)需要某種 NL 到圖表查詢工具和實體鏈接。

下面分享一個GraphRAG+Langchain實現(xiàn)大模型知識圖譜的筆記。

本文轉載自公眾號數(shù)字化助推器  作者：天涯咫尺TGH

原文鏈接：??https://mp.weixin.qq.com/s/TkjJFEXbVAAVw40ZCq6UMg??