Standard-RAG ruft Dokumente ab, indem es Fragevektoren mit Chunk-Vektoren abgleicht, was gut für lokale Abfragen wie "Welcher Dienst besitzt die Zahlungswiederholungslogik" funktioniert. Globale Abfragen wie "Welche Fehlerursachen treten am häufigsten in allen Postmortems auf" erfordern jedoch ein Schlussfolgern über das gesamte Datenset.
Graph RAG löst diese Einschränkung, indem es Wissensgraphen erstellt, die Entitäten (Dienste, Teams, Vorfälle) und deren Beziehungen zwischen ihnen erfassen. Dies ermöglicht es, dass Antworten aus Mustern im gesamten Korpus statt aus einzelnen Dokumenten hervortreten.
Microsoft hat Graph RAG gegen Standard-Vektor-Retrieval mit 8.000- und 64.000-Token-Kontexten getestet. Bei globalen Fragen konnten größere Fenster dennoch nicht die Umfassungsfähigkeit, Vielfalt und Quellqualität von Graph RAG übertreffen.
Das Kundenservice-Team von LinkedIn meldete eine Verbesserung des mittleren inversen Rangs um 77,6 % und eine Reduzierung der medianen Lösungszeit um 28,6 % nach Implementierung einer wissensgraphenbasierten Suche. Graph RAG pflegt zwei Graphen: einen lexikalischen Graphen, der Dokumente mit Chunks verknüpft, und einen Entitätsgraphen, der beschriebene Konzepte miteinander verbindet.
Wichtige Entitäten: Unternehmen: Microsoft, LinkedIn, Neo4j, ByteByteGo
Quelle: ByteByteGo · Zusammengefasst von HeadlinesBriefing