传统RAG的挑战
检索增强生成（Retrieval-Augmented Generation，RAG）是一种结合了外部信息检索增强LLM生成质量的技术，其设计的主要目的是通过访问特定领域的知识库来解决大模型幻觉的问题；目前已被广泛用于智能客服、数字人、企业知识库等领域。
基线RAG主要是通过将特定领域知识库的内容embedding到向量数据库中，再通过相似度检索出top k个文本片段，最后由大模型通过上下文理解来生成问题的答案。这种方式在大多数的场景中没问题，但涉及到复杂问题、需要推理才能得到答案的场景就显得没那么好用了～
例如：“小红为什么打了小明的弟弟？”
想回答这个问题那可能需要以下步骤：
● 人物识别：查找小明的家庭信息，特别的是他的弟弟；
● 人物锁定：识别出小明弟弟的名字；
● 事件查找：确认小红打小明弟弟的原因；
此时对于基线RAG就有个非常大的挑战，它的原理是通过相似度查找，并不是按照任务推理来完成复杂查找。当然可以通过一系列复杂工程的构建来完成这项工作，但还是会有高昂的成本。
为了应对这些挑战，微软研究院推出了GraphRAG，它是一种全新的方法，使用知识图谱增强了RAG的检索和生成。
相关论文：https://arxiv.org/pdf/2404.16130
GraphRAG工作原理
GraphRAG结合知识图谱（KG）来增强RAG，通过识别文本中的实体、关系、图社区等依据来提高RAG检索的精准度。这种方式的好处就在于可以将非结构化的文本，通过识别其中的人、事、物及其关系并通过结构化的表达和存储，来解决传统RAG无法实现的复杂推理和检索。
GraphRAG的核心工作流程包括：索引和查询：
7051
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
