RAG standar mengambil dokumen dengan mencocokkan vektor pertanyaan ke vektor potongan, cocok untuk kueri lokal seperti "Layanan mana yang memiliki logika retry pembayaran". Namun, kueri global seperti "Faktor kegagalan apa yang paling sering terjadi di semua postmortem" memerlukan penalaran di seluruh dataset.
Graph RAG mengatasi keterbatasan ini dengan membangun grafik pengetahuan yang menangkap entitas (layanan, tim, insiden) dan hubungan antaranya. Ini memungkinkan jawaban muncul dari pola korpus luas, bukan dokumen tunggal.
Microsoft menguji Graph RAG melawan pengambilan vektor standar dengan konteks 8.000 dan 64.000 token. Pada pertanyaan global, jendela yang lebih besar masih belum dapat mencocinkan kem comprehensif, keanekaragaman, dan kualitas sumber Graph RAG.
Tim layanan pelanggan LinkedIn melaporkan peningkatan 77,6% dalam peringkat invers rata-rata dan pengurangan 28,6% dalam waktu resolusi median setelah menerapkan pengambilan berbasis grafik pengetahuan. Graph RAG mempertahankan dua grafik: grafik leksikal yang menghubungkan dokumen ke potongan, dan grafik entitas yang menghubungkan konsep yang dijelaskan.
Entitas kunci: Perusahaan: Microsoft, LinkedIn, Neo4j, ByteByteGo
Sumber: ByteByteGo · Diringkas oleh HeadlinesBriefing