標準RAGは質問ベクトルをチャンクベクトルに一致させてドキュメントを取得し、「どのサービスが支払いのリトライロジックを所有していますか」のようなローカルクエリに適しています。しかし、「どの障害原因がすべてのポストモーテムで最も頻繁に再発しますか」のようなグローバルクエリは、データセット全体を横断する推論を必要とします。
Graph RAGは、エンティティ（サービス、チーム、インシデント）とそれらの間の関係を捕捉するナレッジグラフを構築することで、この制限を克服します。これにより、回答は個々のドキュメントではなく、コーパス全体のパターンから浮かび上がります。
Microsoftは、8,000および64,000トークンのコンテキストでGraph RAGを標準的なベクトル検索と比較しました。グローバルな質問において、より広いウィンドウでもGraph RAGの包括性、多様性、およびソース品質に匹敵しませんでした。
LinkedInのカスタマーサービスチームは、ナレッジグラフに基づく検索を実装した後、平均逆ランクが77.6%改善され、中央解決時間が28.6%短縮されたと報告しました。Graph RAGは2つのグラフを維持します：ドキュメントをチャンクにリンクする語彙グラフと、記述された概念をつなぐエンティティグラフ。
主要エンティティ：会社：Microsoft, LinkedIn, Neo4j, ByteByteGo
出典: ByteByteGo · 要約：HeadlinesBriefing