微软 GraphRAG AI 更新提效了

近日，微软研究院对GraphRAG系统进行了更新。个人觉得它不仅在技术层面上实现了显著的提升，更在多个维度上为未来的信息处理和智能搜索领域带来了新的思考。

提高数据检索效率

通过引入动态社区选择功能，GraphRAG能够更加智能地识别与用户查询相关的数据部分。

这种优化不仅提升了响应速度，还增强了信息处理的精确性。在实际应用中，这意味着用户可以获得更快、更准确的搜索结果，从而提高用户体验。

该功能使用轻量级模型GPT-4o-mini来筛选相关数据，确保只有这些关键部分进入主要处理阶段。这一策略显著减少了计算工作负载，提高了系统的整体性能。

对于大型语言模型而言，降低计算负载意味着可以在相同资源下处理更多的请求，从而提高了系统的吞吐量。

通过这种结构，GraphRAG能够生成更具上下文环境的答案，有效减少了传统文档系统中常见的碎片化输出。

这不仅提高了搜索的准确性，也提升了用户的整体体验。用户可以更容易地找到所需信息，而不必在大量无关内容中筛选。

降低tokens成本

内部测试显示，采用动态选择后，tokens成本平均降低了77%。

这一显著的成本降低对于大型语言模型的应用尤为重要，因为它直接关系到运营成本的控制。

AI技术的普及，如何降低运营成本成为了一个重要的课题。

在保持高效检索的同时，大幅降低计算资源的消耗，提高了系统的经济性。

这对于企业用户和开发者来说，意味着可以在不牺牲性能的前提下，实现成本效益的最大化。这有助于推动更多企业采用AI技术，促进整个行业的发展。

增强信息处理能力

GraphRAG结合了知识图谱与大型语言模型的优势，旨在强化信息处理和问答能力。

知识图谱提供了结构化的数据表示，而大型语言模型则擅长处理自然语言文本，这种结合使得GraphRAG能够在处理复杂问题时表现出色。

通过构建知识图谱，从非结构化文本中提取结构化数据，使得模型能够更好地理解和处理复杂信息。

这种方法不仅提高了数据处理的效率，还增强了模型的泛化能力。例如，在医疗领域，可以通过构建疾病知识图谱来辅助诊断。在金融领域，可以通过构建市场趋势知识图谱来进行投资决策。

增量索引和DRIFT模块的加入，使得知识图谱的更新变得更为高效，同时提高了搜索的准确性。

⋯ ⋯

这些技术的应用使得GraphRAG能够，在不断变化的数据环境中保持高效和准确。我认为这对于需要实时更新知识的应用场景尤为重要，如新闻推荐、股票分析等。

（一）自2024年7月开源以来，GraphRAG在GitHub上迅速走红，收获了超过万次的星标。这表明该项目受到了广泛的关注和认可，有助于推动开源社区的发展和技术的进步。

（二）开源项目的成功往往依赖于社区的支持和参与，GraphRAG的受欢迎程度反映了其技术和理念得到了广泛认同。

（三）作为一个开源项目，GraphRAG为开发者提供了一个共同学习和交流的平台。开发者可以通过贡献代码，提出建议或参与讨论来改进项目。

⋯ ⋯

这种互动促进了技术共享和创新，有助于形成一个健康的生态系统。

技术总是在不断进步的，这里面的机会就会变得很多了，GraphRAG在未来也能实现更多的创新和应用。

算法是发动机，这就需要进一步去优化它了，进而提高数据处理的效率和准确性。或者探索与其他技术的融合，拓展应用场景和功能，持续的技术迭代是保持竞争力的关键。

目前GraphRAG主要应用于信息处理和问答领域，但未来会拓展到更多领域，如智能客服、智能推荐等，这将为更多行业带来便利和价值。

微软研究院对GraphRAG系统的更新是一个积极的信号，它不仅提高了数据检索效率和信息处理能力，还显著降低了tokens成本。这对于推动信息处理技术的发展具有重要意义，同时也为其他领域提供了有益的借鉴和启示。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】