GraphRAG 进展分享
一、RAG范式
- 索引：准备数据以进行高效检索。
- 查询：搜索和检索相关参考材料。
- 生成：从检索到的信息中进行上下文学习。
二、基准RAG
- 索引：块切分与嵌入/BM25生成QA对，分层块摘要。
- 查询：向量/混合搜索，重排查询/复合搜索，递归搜索/复合搜索。
三、RAG挑战
- 细粒度检索：碎片化知识。
- 全局上下文：丢失连接。
- 语义相似度：相关性错配。
- 分层摘要：宏观问题挑战。
四、GraphRAG定义
- 图结构数据：基于节点和边的数据结构，用于表示实体间的关系。
- 知识图谱：知识的精炼和结构化形式。
- 方法：利用图结构数据辅助检索、重排和合成RAG。
五、GraphRAG示例
- 相关性 vs 相似性：解决细粒度检索和全局上下文挑战。
- 穿针引线：利用图索引来连接分散的知识。
- 投影元/领域知识：将知识图谱集成到RAG管道中。
六、GraphRAG优势
- 细粒度检索：有效捕获高浓度信息。
- 上下文完整性：确保答案完整和连贯。
- 多跳查询：通过知识图谱高效管理。
- 领域知识集成：增强推理和检索效率。
七、何时使用GraphRAG
- 细粒度检索：适用于需要细粒度检索或连接分散信息的情况。
- 分层索引与摘要：适用于需要分层索引和摘要的情况。
- 全局搜索：适用于需要全局上下文或全面理解的情况。
- 领域知识集成：适用于将领域知识嵌入流程的情况。
八、GraphRAG与KG-RAG对比
- GraphRAG：更广泛的概念，具有灵活的图形索引结构。
- KG-RAG：GraphRAG的一个特殊情况，涉及完整的知识图谱构建。
九、NebulaGraph RAG
- 平台：企业知识管理与应用构建平台。
- 组件：索引引擎、文本到查询SDK、KG推理。
十、未来工作
- 高级图基记忆：高级图基内存。
- 元知识持久化层：原生向量存储。
- 微调工具包：用于GraphRAG索引/检索的微调模型。
