Стандартный RAG извлекает документы путем сопоставления векторов вопросов с векторами фрагментов, хорошо работает для локальных запросов, таких как "Какой сервис владеет логикой повторной попытки платежей". Однако глобальные запросы, такие как "Какие причины сбоев воспроизводятся чаще всего во всех постмортемах", требуют рассуждений по всему набору данных.
Graph RAG решает это ограничение, создавая графы знаний, которые захватывают сущности (сервисы, команды, инциденты) и связи между ними. Это позволяет ответы возникать из корпуса-широких паттернов, а не из отдельных документов.
Microsoft протестировала Graph RAG против стандартного векторного извлечения с контекстами 8 000 и 64 000 токенов. По глобальным вопросам, более широкие окна всё ещё не могли соперничать с полнотой, разнообразием и качеством источников Graph RAG.
Команда службы поддержки LinkedIn сообщила о улучшении среднего обратного ранга на 77,6% и сокращении медианного времени разрешения на 28,6% после внедрения извлечения на основе графов знаний. Graph RAG поддерживает два графа: лексический граф, связывающий документы с фрагментами, и граф сущностей, соединяющий описанные концепции.
Ключевые сущности: Компании: Microsoft, LinkedIn, Neo4j, ByteByteGo
Источник: ByteByteGo · Сводку подготовил HeadlinesBriefing