La Generación Aumentada por Recuperación (RAG) es el caso de uso de LLM más utilizado en las organizaciones. Al vectorizar documentos y recuperar fragmentos semánticamente similares en el momento de la consulta, RAG mitiga las alucinaciones, fundamenta las respuestas y evita los límites de conocimiento estático impuestos por el preentrenamiento del modelo. Sin embargo, la RAG estándar basada en vectores enfrenta limitaciones para consultas complejas que requieren contexto global, razonamiento multi-salto o agregación entre documentos.

Graph RAG resuelve esto al pasar de recuperar documentos planos a recuperar conocimiento estructurado. Integra Grafos de Conocimiento (KG), donde los datos se almacenan como Nodos (Entidades), Aristas (Relaciones) y Propiedades, en el flujo de trabajo de RAG. Esto combina las capacidades de coincidencia semántica y difusa de los LLM modernos con el razonamiento estructurado y determinista de los KG.

El artículo explora seis patrones arquitectónicos distintos de Graph RAG, junto con sus ventajas, desventajas y casos de uso. Los componentes principales incluyen la Extracción de Información utilizando LLM para Reconocimiento de Entidades Nombradas y Extracción de Relaciones, Almacenamiento de Grafos en bases de datos como Neo4j, Mecanismos de Recuperación, y Generación donde los datos del grafo recuperados se inyectan en la ventana de contexto del LLM.

El término "Graph RAG" es un paraguas para varios patrones arquitectónicos fundamentalmente diferentes. Elegir el patrón correcto depende de los patrones de consulta del usuario, el costo del sistema, la latencia y los requisitos de capacidad.

Entidades Clave: Empresas: Towards Data Science, Neo4j, Nebula Graph, Memgraph

Pregunta frecuente: ¿Cuáles son los componentes principales de un flujo de trabajo Graph RAG?

Respuesta: Un flujo de trabajo Graph RAG requiere cuatro componentes fundamentales: Extracción de Información utilizando LLM para Reconocimiento de Entidades Nombradas y Extracción de Relaciones, Almacenamiento de Grafos en bases de datos como Neo4j o Nebula Graph, Mecanismos de Recuperación para la interacción del usuario con el grafo, y Generación donde los datos del grafo recuperados se inyectan en la ventana de contexto del LLM para sintetizar respuestas fundamentadas.