Retrieval-Augmented Generation (RAG) adalah kasus penggunaan LLM yang paling banyak digunakan di berbagai organisasi. Dengan memvektorkan dokumen dan mengambil potongan yang mirip secara semantik pada saat kueri, RAG mengurangi halusinasi, mendasarkan respons, dan melewati batasan pengetahuan statis yang diberlakukan oleh pra-pelatihan model. Namun, RAG standar berbasis vektor menghadapi keterbatasan untuk kueri kompleks yang memerlukan konteks global, penalaran multi-hop, atau agregasi lintas dokumen.

Graph RAG memecahkan ini dengan beralih dari mengambil dokumen datar ke mengambil pengetahuan terstruktur. Ia mengintegrasikan Knowledge Graphs (KG), di mana data disimpan sebagai Nodes (Entitas), Edges (Hubungan), dan Properties ke dalam pipeline RAG. Ini menggabungkan kemampuan pencocokan semantik dan fuzzy dari LLM modern dengan penalaran terstruktur dan deterministik dari KG.

Artikel ini mengeksplorasi enam pola arsitektur berbeda dari Graph RAG, beserta kelebihan, kekurangan, dan kasus penggunaan. Komponen inti meliputi Information Extraction menggunakan LLM untuk Named Entity Recognition dan Relationship Extraction, Graph Storage dalam basis data seperti Neo4j, mekanisme Retrieval, dan Generation di mana data grafik yang diambil disuntikkan ke dalam jendela konteks LLM.

Istilah "Graph RAG" adalah payung untuk beberapa pola arsitektur yang secara fundamental berbeda. Memilih pola yang tepat bergantung pada pola kueri pengguna, biaya sistem, latensi, dan persyaratan kemampuan.

Entitas Kunci: Perusahaan: Towards Data Science, Neo4j, Nebula Graph, Memgraph