पुनर्प्राप्ति-संवर्धित उत्पादन (RAG) संगठनों में सबसे व्यापक रूप से उपयोग किया जाने वाला LLM उपयोग का मामला है। दस्तावेज़ों को वेक्टराइज़ करके और क्वेरी समय पर अर्थपूर्ण रूप से समान खंडों को पुनर्प्राप्त करके, RAG भ्रम (hallucinations) को कम करता है, उत्तरों को आधारित बनाता है, और मॉडल प्री-ट्रेनिंग द्वारा लगाए गए स्थिर ज्ञान सीमाओं को बायपास करता है। हालाँकि, मानक वेक्टर-आधारित RAG जटिल क्वेरी के लिए सीमाओं का सामना करता है जिसमें वैश्विक संदर्भ, मल्टी-हॉप तर्क या क्रॉस-डॉक्यूमेंट एकत्रीकरण की आवश्यकता होती है।

Graph RAG इसे समाधान देता है क्योंकि यह समतल दस्तावेज़ पुनर्प्राप्ति से संरचित ज्ञान पुनर्प्राप्ति में बदलाव करता है। यह ज्ञान ग्राफ़ (KG) को RAG पाइपलाइन में एकीकृत करता है, जहाँ डेटा नोड्स (इंटिटीज़), एजेज़ (रिलेशनशिप्स) और प्रॉपर्टीज़ के रूप में संग्रहीत होता है। यह आधुनिक LLM की सेमांटिक, फ़ज़ी-मैचिंग क्षमताओं को KG के संरचित, निर्धारित तर्क के साथ जोड़ता है।

यह लेख Graph RAG के छह अलग-अलग वास्तुकला पैटर्न की खोज करता है, साथ ही प्रो, कंस और उपयोग केस। मुख्य घटक LLM का उपयोग करके NER और रिलेशनशिप एक्सट्रैक्शन के लिए इनफॉर्मेशन एक्सट्रैक्शन, Neo4j जैसे डेटाबेस में ग्राफ़ स्टोरेज, पुनर्प्राप्ति तंत्र, और जनरेशन शामिल हैं जहाँ पुनर्प्राप्त ग्राफ़ डेटा को LLM के कंटेक्स्ट विंडो में इंजेक्ट किया जाता है।

"Graph RAG" शब्द कई मूल रूप से अलग वास्तुकला पैटर्न के लिए एक समावरणीय शब्द है। सही पैटर्न चुनना उपयोगकर्ता क्वेरी पैटर्न, सिस्टम लागत, विलंबता और क्षमता आवश्यकताओं पर निर्भर करता है।

मुख्य इकाइयाँ: कंपनियाँ: Towards Data Science, Neo4j, Nebula Graph, Memgraph