如何构建医疗健康等复杂场景下的Agentic GraphRAG？

最新推荐文章于 2025-12-27 08:45:00 发布

原创最新推荐文章于 2025-12-27 08:45:00 发布 · 929 阅读

18 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能 #测试用例 #产品经理 #机器学习 #大数据

How To Build Agentic GraphRAG?

How to Build Agentic GraphRAG？By Sara Tilly

上周，Memgraph 举办了一次社区电话会议，讨论 AI 中一个令人兴奋的话题 — Agentic GraphRAG。如果您错过了，以下是我们的开发人员体验工程师 Ante Javor 对网络研讨会亮点的深入探讨。讨论涵盖了从 GraphRAG 的基础知识到 Memgraph 3.0 版的新功能，以及为什么代理对于推进 GraphRAG 至关重要的所有内容。让我们来分析一下。

Agentic GraphRAG 致力于克服大型语言模型（LLM）的局限性，结合知识图谱提供更丰富、更精确的见解，尤其适用于医疗保健、金融等数据复杂性和关系重要的场景

https://memgraph.com/blog/build-agentic-graphrag-ai

https://github.com/memgraph/ai-demos/tree/main/agentic-graph-rag/agentic

GraphRAG 很棒，但如果它有大脑呢？

要了解 Agentic GraphRAG，您首先需要了解 RAG（检索增强生成）及其基于图的表亲 GraphRAG 的基础知识。

RAG 在克服大型语言模型（LLM）的局限性方面扭转了局面。微调 LLM 成本高昂、速度缓慢，而且通常不切实际，除非您拥有大量 GPU 和财力雄厚的预算。您的另一个解决方案是 RAG。RAG 不是微调，而是将相关的实时上下文动态馈送到 LLM 中，以生成个性化答案。它更快、可扩展性更强、灵活性更高。

但是 RAG 有局限性。这取决于所提供的上下文的质量。如果你在提示中塞入太多不相关的数据或未能管理信息，你的 LLM 将返回低于标准的结果。你还必须管理有限的上下文窗口和 LLM 充当“文本预测器”而不是真正的推理系统的固有约束。

然后你有 GraphRAG，顾名思义，通过使用知识图谱作为基础，将其提升了一个档次。GraphRAG 最初由 Microsoft 开发，将数据构建为节点和关系，提供更丰富、更精确的见解。它非常适合数据复杂性和关系很重要的情况，例如医疗保健、金融等。

为什么做GraphRAG Agentic?

虽然 GraphRAG 很棒，但它有一个缺陷：僵化。传统的 GraphRAG 系统对用于数据检索的管道进行硬编码。这对于简单的用例非常有用，但对于复杂、不断发展的场景来说是有限的。这是你使用代理方面的地方。

正如 Ante 所解释的那样，代理只是使用 LLM 与外部数据源交互的决策系统。将它们视为与数据动态交互并为每个查询决定最佳检索策略的编排器。

从本质上讲，代理只是具有特定上下文的 LLM 调用。它通过知道（或不知道）的内容来获取您的输入和推理，并与外部工具或数据库（如 Memgraph）交互以检索最相关的答案。在这种情况下，代理不仅检索数据，还会弄清楚如何以最有效的方式检索数据。

例如，代理可能会使用 BFS 或 PageRank 等图形遍历算法来查找知识图谱中最相关的节点，而不是总是依赖向量搜索。这种动态决策过程在 AI 驱动型系统中解锁了新的灵活性、可扩展性和智能水平。

以下是 Agentic GraphRAG 改进知识检索的方式：

灵活性：代理不局限于一种方法，他们为任务选择最佳工具或算法。
自治：设置完成后，系统独立运行，需要最少的人工干预。只是你密切关注它。
错误处理：反馈循环允许代理动态重试、诊断问题并从故障中恢复。

Agentic GraphRAG 被视为一个状态机，代理将决策和作链接在一起，在每一步共享上下文和结果。这种架构实现了更智能、响应速度更快的系统。

Memgraph 3.0 和 Agentic GraphRAG

最近发布的 Memgraph 3.0 对我们来说意义重大，这是有充分理由的。借助矢量搜索、动态算法和高可用性等功能，构建生产就绪型 AI 应用程序比以往任何时候都更容易。

是什么让这些功能对 GraphRAG 系统如此关键？

向量搜索：您现在可以使用嵌入来搜索数据。例如，在图形中搜索相似节点（例如查找名为 Mark 的患者并遍历一两个跃点以发现相关症状）与 Memgraph 的向量功能是无缝的。
动态算法：不再需要严格的管道。Memgraph 允许您使用 BFS、DFS、PageRank 或社区检测等算法来根据您的用例提取相关数据。
高可用性：构建生产系统需要可靠性。Memgraph 3.0 可确保基于 GraphRAG 的应用程序可以顺利扩展。

Agentic GraphRAG 的工作原理：核心工作流程

构建 Agentic GraphRAG 系统涉及创建一个代理管道，每个代理负责流程中的特定步骤。这是一个典型的工作流程，您也将在演示中看到。

问题分类

第一个代理分析用户查询并确定其类型。例如：
- 检索问题涉及直接查找，例如“John 的年龄是多少？
- 结构化问题探讨关系，例如“可口可乐与股市趋势有关吗？
- 全局查询分析趋势，例如“前 10 个最重要的节点是什么？
- 数据库问题涉及系统配置，例如“Memgraph 使用什么日志记录级别？
Tool selection工具选择

根据查询类型，另一个代理选择最佳工具来检索所需数据。这可能包括向量搜索、PageRank、BFS（广度优先搜索）、DFS（深度优先搜索）或数据库架构查询。
所选工具处理查询，检索相关数据或结果。代理可以调整工具以满足查询的特定需求。例如，PageRank 查询可能会返回广泛查询的前 10 个节点或特定问题的单个节点。
如果工具失败（例如，由于查询配置错误或缺少数据），代理会诊断问题、重试或切换到替代工具。这些反馈循环可确保可靠的错误处理。
处理后的数据将作为有意义的答案返回给用户。

使用 Memgraph 构建代理 GraphRAG

由于其先进的图形数据库功能，Memgraph 非常适合为 Agentic GraphRAG 提供支持。使用 Memgraph，您可以创建一个灵活的系统，以适应各种查询和检索任务。Ante 在 Memgraph 社区电话会议中展示的演示展示了如何使用 Memgraph 构建 Agentic GraphRAG。它不仅仅是一个概念验证，还是一个可以复制和扩展的工作模型。

以下是您需要了解的有关演示的信息：

它与数据集无关。
该演示不依赖于 LangChain 等外部工具;相反，它专注于原始 OpenAI API 调用，以加快迭代速度。
从问题分类到工具选择，每个步骤都是自动化的。根据问题类型，代理选择 PageRank、BFS 或架构查询等工具。
我们已经实施了错误恢复，因此反馈循环可以确保故障的处理。
演示中使用的所有功能都在 Memgraph 中，包括用于基于相似性的查询的向量搜索、用于自然语言查询的文本到密码翻译、用于数据库结构探索的架构信息、图形遍历算法（BFS、DFS）和 PageRank。

**Agentic GraphRAG 的未来

在网络研讨会的最后，我们提出了对 Agentic GraphRAG 愿景的一些想法和观点。

目前，该演示在根据所提出的问题类型选择合适的工具方面做得很扎实。但还有很多空间可以使其更加智能。我首先想到的事情之一是扩展工具集。虽然它已经支持矢量搜索、PageRank、BFS/DFS 和文本转密码，但我们可以投入更多内容。地理搜索将是一个很好的补充，它允许空间查询，并且集成更高级的基于文本的查询可以帮助使系统更灵活地处理非结构化数据。

另一个重大飞跃是全自动工具选择。目前，工具选择过程在某种程度上受到问题类型和工具之间预定义映射的限制。但是，如果我们不必预定义任何内容呢？如果代理本身可以弄清楚要使用哪个工具呢？

然后是一个伟大的想法：一个通用的知识检索代理。想象一下，一个代理能够从任何图形中提取知识，在检索方法、图形算法甚至外部数据源之间无缝切换，而无需人工干预。像这样的系统不仅会回答问题，还会通过问题进行推理，动态导航图形，选择最佳工具，并以给定上下文有意义的方式构建响应。与其考虑“我应该使用哪种工具”，不如有一个只知道该做什么的代理。

目标不仅仅是构建有效的东西，而是不断迭代、改进和突破 Agentic GraphRAG 的可能性界限。有了 Memgraph 3.0，您就拥有了构建自己的 Agentic GraphRAG 的完美平台。无论您是在医疗保健、金融还是任何数据驱动领域工作，该系统的灵活性和强大功能都将解锁新的可能性。