概述
Microsoft 的 2024 年工作使用图社区和报告来回答全集合问题，质量取决于提取和源证据。
深入探讨
Microsoft Research 的 2024 年 GraphRAG 工作从文档集合中提取实体、关系和描述，并将图节点分组为社区，使用 Leiden 等方法。它创建社区报告，可支持关于集合的更广泛问题。本地搜索将与匹配实体相关的信息与相关源上下文结合；全局搜索通过类似 map‑reduce 的过程聚合来自社区报告的信息。这些方法针对不同的问题范围。它们并不意味着向量检索永远无法回答广泛问题，也不意味着 GraphRAG 在每一次查找中都普遍提升。提取的记录和生成的报告可能包含错误或遗漏证据，因此请在原始材料中检查其支持。
现实世界的实施
使用社区报告而非仅仅几个最近块来测试全集合主题问题。
将实体信息与源段落结合，以进行聚焦的本地查询。
检查提取的关系与其底层文档的一致性。
比较基于图的检索与针对特定语料库和问题集的更简单基线。
GraphRAG 知识图的未来
基于图的检索研究探索混合搜索、更新和更高效的索引。根据测量结果和成本为目标语料库选择表示和查询策略。更新源文档可能需要刷新派生的实体、关系和报告；仅因为存储的图仍可查询并不意味着它是最新的。
付诸实践
为什么这很重要
- 速度与规模. 语言工作流程可以在不牺牲一致性的情况下更快地移动。
- 交通与覆盖范围. 它扩展了跨语言和沟通方式的访问。
- 更清晰的判决. 团队可以花更多时间进行判断，而自动化则可以处理重复。
留意
- 幻觉的事实可以悄悄地进入报告、支持流程或研究成果。
- 及时的敏感性可能会在类似的请求中产生不一致的结果。
- 如果访问控制薄弱，敏感文本数据可能会暴露。
后续步骤
- 在推出之前定义输出格式、语气和质量标准。
- 当准确性很重要时，请使用可信来源进行地面响应。
- 为高风险输出保留人工审查检查点。
- 跟踪故障模式并定期重新训练提示或工作流程。
不断探索
常见问题
什么是 GraphRAG 知识图？
GraphRAG 将提取的实体和关系与源文本连接，以支持检索和摘要。Microsoft 的 2024 年工作使用图社区和报告来回答全集合问题，质量取决于提取和源证据。
GraphRAG 构建的哪些核心结构使其与标准 RAG 不同？
GraphRAG 将实体及其之间的关系提取到知识图谱中，而不是仅仅依赖于孤立的文本块。
是什么查询范围促使 Microsoft 的 2024 年 GraphRAG 工作产生社区报告？
该研究针对广泛的意义构建，结果取决于语料库和查询，而非对向量搜索的普遍优越性。
GraphRAG 通常使用什么算法将相关实体聚类成社区？
GraphRAG 应用 Leiden 等社区检测方法对相关节点进行分组，然后总结每个社区。
GraphRAG 的基于模型的提取阶段从源块中生成什么？
提取构建源派生的结构化记录，这些记录被合并并用于图和报告的构建。
已记录的 GraphRAG 本地和全局查询策略如何不同地使用上下文？
这些策略在不同范围内检索上下文，并且两者都依赖于从该上下文生成。