LLM之RAG理论（十二）| RAG和Graph RAG对比

       最近Graph RAG非常火，它来自微软的一篇论文《From Local to Global: A Graph RAG Approach to Query-Focused Summarization》，论文地址：https://arxiv.org/pdf/2404.16130。本文将对RAG 和 Graph RAG在架构和成本方面做简要分析。

一、RAG 和 Graph RAG 的架构

RAG 方法体系结构可以分为两个不同的阶段：索引阶段和查询阶段。

在索引阶段，将完成非结构化文本的预处理和矢量存储中的存储。

在查询阶段，将用户查询通过嵌入模型转换为嵌入，并从向量数据库中检索类似的内容，LLM根据问题和检索内容生成答案。

1.1 RAG架构

       检索增强生成（RAG）是一个框架，通过支持外部知识源的模型来补充LLM信息的内部表示，从而提高LLM生成响应的质量。

       在基于LLM问答的系统中实施 RAG 的主要好处是它确保模型可以访问最新、最可靠的事实，并且用户可以访问模型的来源，确保其声明可以被检查为准确性并最终被信任。

1.2 Graph RAG

      在检索增强生成 （RAG） 的上下文中，Graph RAG 引入了一项重大增强功能：<