理解GraphRAG其實(shí)并不難，可以理解為由兩個(gè)主要模塊組成：

1. 向量檢索(Local Search)
2. 局部知識(shí)圖譜社區(qū)檢索(Global Search)

所謂 GraphRAG 一定程度上可以理解為使用 LLM 生成知識(shí)圖譜，在對復(fù)雜信息進(jìn)行文檔分析時(shí)可顯著提高問答性能，尤其是在處理私有數(shù)據(jù)時(shí)。 GraphRAG構(gòu)建流程主要是以下三個(gè)：

1. 圖表作為內(nèi)容存儲(chǔ)：提取相關(guān)文檔塊并要求 LLM 使用它們進(jìn)行回答。這種變體需要一個(gè)包含相關(guān)文本內(nèi)容和元數(shù)據(jù)的 KG，以及與矢量數(shù)據(jù)庫的集成。
2. Graph 作為主題專家：提取與自然語言 (NL) 問題相關(guān)的概念和實(shí)體的描述，并將其作為附加的“語義上下文”傳遞給 LLM。理想情況下，描述應(yīng)包括概念之間的關(guān)系。這種變化需要具有全面概念模型的 KG，包括相關(guān)本體、分類法或其他實(shí)體描述。實(shí)現(xiàn)需要實(shí)體鏈接或其他機(jī)制來識(shí)別與問題相關(guān)的概念。
3. 圖表作為數(shù)據(jù)庫：將 NL 問題(部分)映射到圖表查詢，執(zhí)行查詢并要求 LLM 總結(jié)結(jié)果。這種變化需要一個(gè)包含相關(guān)事實(shí)信息的圖表。這種模式的實(shí)現(xiàn)需要某種 NL 到圖表查詢工具和實(shí)體鏈接。

下面分享一個(gè)GraphRAG+Langchain實(shí)現(xiàn)大模型知識(shí)圖譜的筆記。

本文轉(zhuǎn)載自公眾號(hào)數(shù)字化助推器  作者：天涯咫尺TGH

原文鏈接：??https://mp.weixin.qq.com/s/TkjJFEXbVAAVw40ZCq6UMg??