GraphRAG-入门到实战：1-原理解析-过程详解

简介

GraphRAG 是使用知识图谱的检索增强生成 (RAG)

您是否曾在深入研究检索增强生成 (RAG) 系统时偶然发现过 GraphRAG 这个术语？如果是，那么您并不孤单。这个术语正在引起轰动，但其含义却难以捉摸。有时，它是一种特定的检索方法；有时，它是指一整套软件套件，例如微软的 GraphRAG“数据管道和转换套件”。由于用途如此广泛，即使是最热衷于 RAG 讨论的人也会感到有些迷茫，这也就不足为奇了。

知识图谱简介

知识图谱尤其适用于表示具有关联元素的结构化和非结构化数据。与传统数据库不同，它们不需要严格的模式，数据模型更加灵活。图谱模型能够高效地存储、管理、查询和处理丰富的现实世界信息。在 RAG 系统中，知识图谱充当了 LLM 语言技能（例如摘要、翻译和提取）的灵活记忆伴侣。

在知识图谱中，事实和实体被表示为 节点，这些节点具有通过类型化 关系连接的属性，这些属性也带有限定属性。这种图谱模型可以从简单的家谱扩展到公司的完整数字孪生，涵盖员工、客户、流程、产品、合作伙伴和资源，拥有数百万甚至数十亿个连接。

图形结构可以来自各种来源，来自结构化的业务领域、（分层）文档表示和图形算法计算的信号。

当我们深入研究检索模式时，我们会注意到最先进的技术是如何依赖于数据内部的联系的。无论是元数据过滤（例如搜索特定作者或特定主题的文章），还是父子检索器（导航回文本块的父级，为 LLM 提供广度，以获得上下文丰富的答案），这些方法都利用了待检索数据之间的关系。

通常，这些实现严重依赖于客户端数据结构和连接不同信息的大量 Python 代码。然而，在图形数据库中，建立真实的关系并使用简单的模式进行查询效率要高得多。

在几乎每个模式的图形模式中，您都会看到以下类型的实体

• 代表应用程序域的实体或域节点
• 域关系
• 表示被提取到图中的非结构化文档的文档节点
• 块节点

它们是大多数 GraphRAG 模式的基础，并且至少具有以下两个属性：文本和嵌入，其中文本包含块的人类可读文本字符串，嵌入包含文本的计算嵌入。