Đồ thị tri thức GraphRAG
GraphRAG tăng cường khả năng tạo tăng cường truy xuất bằng cách xây dựng biểu đồ tri thức về các thực thể và mối quan hệ từ một bộ sưu tập tài liệu, sau đó truy xuất cấu trúc đó thay vì các đoạn văn bản bị cô lập.
Tổng quan
It matters because it answers broad, connect-the-dots questions that flat vector search cannot.
Lặn sâu
RAG thông thường chia tài liệu thành các phần, nhúng chúng và truy xuất một số phần gần nhất cho truy vấn. Cách đó hiệu quả đối với việc tra cứu thực tế ở phạm vi hẹp nhưng không thành công ở các câu hỏi tổng thể như 'chủ đề chính trong toàn bộ tập dữ liệu này là gì?' GraphRAG, được phổ biến bởi Microsoft Research vào năm 2024, thay vào đó sử dụng mô hình ngôn ngữ để trích xuất các thực thể, thuộc tính của chúng và mối quan hệ giữa chúng, tập hợp một biểu đồ tri thức. Sau đó, nó chạy các thuật toán phát hiện cộng đồng như Leiden để phân cụm các thực thể liên quan và tạo trước các bản tóm tắt cho mỗi cộng đồng. Tại thời điểm truy vấn, hệ thống có thể duyệt qua các mối quan hệ và tổng hợp các bản tóm tắt cộng đồng này, cho phép lập luận nhiều bước và cảm nhận tổng thể. Kết quả là có được câu trả lời tốt hơn cho những câu hỏi có bằng chứng nằm rải rác trên nhiều tài liệu và chỉ được kết nối thông qua các thực thể trung gian.
Hiểu biết kỹ thuật
GraphRAG có hai giai đoạn. Lập chỉ mục: LLM đọc các khối và xuất ra các bộ ba có cấu trúc (thực thể, quan hệ, thực thể) cộng với các mô tả, được loại bỏ trùng lặp thành biểu đồ; phân cụm (ví dụ: Leiden) nhóm các nút thành các cộng đồng có thứ bậc, mỗi cộng đồng được LLM tóm tắt. Truy vấn: tìm kiếm 'cục bộ' mở rộng từ các thực thể phù hợp với truy vấn dọc theo các cạnh của chúng, trong khi bản đồ tìm kiếm 'toàn cầu' giảm bớt các bản tóm tắt cộng đồng để trả lời các câu hỏi trên toàn tập dữ liệu. Cả hai đều cung cấp bối cảnh có cấu trúc cho mô hình thế hệ.
Tác động chiến lược
Tốc độ và tỷ lệ
Quy trình công việc ngôn ngữ có thể di chuyển nhanh hơn mà không làm mất tính nhất quán.
Truy cập và tiếp cận
Nó mở rộng quyền truy cập vào các ngôn ngữ và phong cách giao tiếp.
Quyết định rõ ràng hơn
Các nhóm có thể dành nhiều thời gian hơn để đánh giá trong khi quá trình tự động hóa xử lý sự lặp lại.
Tương lai của đồ thị tri thức GraphRAG
Mong đợi GraphRAG hợp nhất với cơ sở dữ liệu biểu đồ thuộc tính, tự động học bản thể luận và cập nhật biểu đồ gia tăng để kiến thức luôn mới mà không cần lập chỉ mục lại đầy đủ. Các hệ thống kết hợp kết hợp tính tương tự của vectơ với truyền tải đồ thị đang trở thành tiêu chuẩn và các đường dẫn tác nhân sẽ cho phép các mô hình truy vấn đồ thị một cách lặp đi lặp lại. Khi chất lượng trích xuất được cải thiện, GraphRAG sẽ tạo ra các câu trả lời có nhiều bước nhảy, có thể giải thích được — với các đường dẫn thực thể có thể theo dõi — thiết thực cho cơ sở kiến thức doanh nghiệp, tài liệu khoa học và phân tích điều tra.
Triển khai trong thế giới thực
Một nhà phân tích hỏi 'chủ đề nào kết nối 10.000 báo cáo này?' và các câu trả lời của GraphRAG thông qua việc giảm bản đồ qua các bản tóm tắt của cộng đồng.
Một nhóm dược phẩm liên kết các gen, thuốc và bệnh tật trên các bài báo để tìm ra các mối quan hệ nhiều bước nhảy mà việc tìm kiếm vectơ sẽ bỏ lỡ.
Công cụ tuân thủ theo dõi cách giao dịch kết nối các thực thể thông qua các bên trung gian để gắn cờ các mối quan hệ rủi ro tiềm ẩn.
Thư viện GraphRAG mã nguồn mở của Microsoft lập chỉ mục một kho dữ liệu thành các thực thể và cộng đồng Leiden cho các truy vấn cục bộ và toàn cầu.
Rủi ro & lan can
Sự thật ảo giác có thể lặng lẽ đi vào báo cáo, luồng hỗ trợ hoặc kết quả nghiên cứu.
Sự nhạy cảm kịp thời có thể tạo ra kết quả không nhất quán đối với các yêu cầu tương tự.
Dữ liệu văn bản nhạy cảm có thể bị lộ nếu khả năng kiểm soát quyền truy cập yếu.
Lộ trình thực hiện
Xác định định dạng đầu ra, âm thanh và tiêu chuẩn chất lượng trước khi triển khai.
Phản hồi mặt đất với các nguồn đáng tin cậy bất cứ khi nào độ chính xác quan trọng.
Duy trì điểm kiểm tra đánh giá của con người đối với các kết quả đầu ra có mức độ rủi ro cao.
Theo dõi các kiểu lỗi và đào tạo lại các lời nhắc hoặc quy trình làm việc thường xuyên.
Tiếp tục khám phá
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the GraphRAG Knowledge Graphs quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Hướng dẫn tiếp theo
Quản lý tri thức AI
Câu hỏi thường gặp
What is GraphRAG Knowledge Graphs?
GraphRAG tăng cường khả năng tạo tăng cường truy xuất bằng cách xây dựng biểu đồ tri thức về các thực thể và mối quan hệ từ một bộ sưu tập tài liệu, sau đó truy xuất cấu trúc đó thay vì các đoạn văn bản bị cô lập. Nó quan trọng vì nó trả lời các câu hỏi có phạm vi rộng, kết nối các dấu chấm mà tìm kiếm vectơ phẳng không thể thực hiện được.
GraphRAG xây dựng cấu trúc cốt lõi nào để phân biệt nó với RAG tiêu chuẩn?
GraphRAG trích xuất các thực thể và mối quan hệ giữa chúng thành biểu đồ tri thức, thay vì chỉ dựa vào các đoạn văn bản riêng biệt.
GraphRAG xử lý loại câu hỏi nào tốt hơn tìm kiếm vectơ phẳng?
GraphRAG vượt trội trong các câu hỏi tổng thể, có nhiều bước nhảy mà bằng chứng của chúng được phân tán và liên kết thông qua các thực thể trung gian.
GraphRAG thường sử dụng thuật toán nào để phân cụm các thực thể liên quan vào cộng đồng?
GraphRAG áp dụng các phương pháp phát hiện cộng đồng như Leiden để nhóm các nút liên quan, sau đó tóm tắt từng cộng đồng.
Trong quá trình lập chỉ mục, mô hình ngôn ngữ tạo ra những gì từ các khối tài liệu?
LLM đọc các khối và trích xuất các thực thể, thuộc tính và bộ ba mối quan hệ được hợp nhất vào biểu đồ.
Sự khác biệt giữa tìm kiếm 'cục bộ' và 'toàn cầu' trong GraphRAG là gì?
Tìm kiếm cục bộ đi qua các thực thể lân cận của các thực thể phù hợp với truy vấn, trong khi tìm kiếm toàn cầu tổng hợp các bản tóm tắt của cộng đồng để trả lời các câu hỏi trên toàn tập dữ liệu.