يسترجع RAG القياسي المستندات من خلال مطابقة متطلبات الأسئلة إلى متطلبات الجزر، ويعمل جيدًا للاستعلامات المحلية مثل "أي خدمة تملك منطق إعادة المحاولة للمدفوعات". ومع ذلك، تتطلب الاستعلامات العالمية مثل "أي سبل الفشل تتكرر الأكثر في جميع التحليلات ما بعد الحوادث" التفكير عبر مجموعات بيانات كاملة.
يعالج Graph RAG هذا القيد من خلال بناء رسوم بيانات معرفية تلتقط الكيانات (الخدمات، الفرق، الحوادث) والعلاقات بينها. هذا يتيح للإجابات أن تنبعث من أنماط على مستوى الكوربوس بدلاً من مستندات فردية.
اختبرت Microsoft Graph RAG ضد استرجاع المتطلبات المعيارية مع سياقات تتكون من 8,000 و64,000 رمزًا. على الأسئلة العالمية، لم تتمكّ من مطابقة شمولية Graph RAG وتنوعها وجودة مصدرها حتى مع النوافذ الأكبر.
أفادت فريق خدمة عملاء LinkedIn بتحسين بنسبة 77.6% في المتوسط العكسي وتقليل بنسبة 28.6% في وقت حل المشكلات الوسطي بعد تنفيذ الاسترجاع القائم على رسم البيانات المعرفية. Graph RAG يحافظ على رسمين: رسم بيانات لغوي يربط المستندات بالجزر، ورسم بيانات كيانات يربط المفاهيم الموصوفة.
كيانات رئيسية: الشركات: Microsoft, LinkedIn, Neo4j, ByteByteGo
المصدر: ByteByteGo · لخّصه HeadlinesBriefing