التوليد المعزز بالاسترجاع (RAG) هو حالة استخدام LLM الأكثر استخدامًا في المنظمات. من خلال تحويل المستندات إلى متجهات واسترجاع أجزاء متشابهة دلاليًا عند الاستعلام، يخفف RAG من الهلوسات، ويؤسس الاستجابات، ويتجاوز حدود المعرفة الثابتة المفروضة بواسطة التدريب المسبق للنموذج. ومع ذلك، يواجه RAG القياسي القائم على المتجهات قيودًا للاستعلامات المعقدة التي تتطلب سياقًا عالميًا أو استدلالًا متعدد الخطوات أو تجميعًا عبر المستندات.

يحل Graph RAG هذه المشكلة من خلال الانتقال من استرجاع المستندات المسطحة إلى استرجاع المعرفة المنظمة. يدمج الرسوم البيانية المعرفية (KG) في خط أنابيب RAG، حيث يتم تخزين البيانات كعقد (كيانات) وأضلاع (علاقات) وخصائص. يجمع هذا بين قدرات التطابق الدلالي والضبابي لـ LLM الحديثة والاستدلال المنظم الحتمي للرسوم البيانية المعرفية.

يستكشف المقال ستة أنماط معمارية مختلفة من Graph RAG، إلى جانب المزايا والعيوب وحالات الاستخدام. تشمل المكونات الأساسية استخراج المعلومات باستخدام LLM للتعرف على الكيانات المسماة واستخراج العلاقات، وتخزين الرسم البياني في قواعد البيانات مثل Neo4j، وآليات الاسترجاع، والتوليد حيث يتم حقن بيانات الرسم البياني المسترجعة في نافذة سياق LLM.

مصطلح "Graph RAG" هو مصطلح شامل لعدة أنماط معمارية مختلفة جوهريًا. يعتمد اختيار النمط الصحيح على أنماط استعلام المستخدم وتكلفة النظام وزمن الاستجابة ومتطلبات القدرات.

الكيانات الرئيسية: الشركات: Towards Data Science، Neo4j، Nebula Graph، Memgraph

سؤال شائع: ما هي المكونات الأساسية لخط أنابيب Graph RAG؟

الإجابة: يتطلب خط أنابيب Graph RAG أربعة مكونات أساسية: استخراج المعلومات باستخدام LLM للتعرف على الكيانات المسماة واستخراج العلاقات، وتخزين الرسم البياني في قواعد البيانات مثل Neo4j أو Nebula Graph، وآليات الاسترجاع للتفاعل مع الرسم البياني، والتوليد حيث يتم حقن بيانات الرسم البياني المسترجعة في نافذة سياق LLM لتوليد استجابات مؤسسة.