标准RAG通过匹配问题向量到块向量检索文档，适用于诸如"哪个服务拥有支付重试逻辑"这样的本地查询。然而，诸如"哪些失败原因在所有事后分析中最常出现"这样的全局查询需要跨整个数据集进行推理。
Graph RAG通过构建捕获实体（服务、团队、事件）及其之间关系的知识图谱来解决这一限制。这使得答案可以从整个语料库的模式中浮现出来，而不是来自单个文档。
微软测试了Graph RAG与标准向量检索，使用8,000和64,000个标记的上下文。在全局问题上，更大的窗口仍然无法匹配Graph RAG的全面性、多样性和来源质量。
LinkedIn的客户服务团队在实施基于知识图谱的检索后报告称，平均倒数排名提高了77.6%，中位解决时间减少了28.6%。Graph RAG维护两个图谱：一个将文档链接到块的词汇图，以及一个连接所描述概念的实体图。
关键实体：公司：微软、LinkedIn、Neo4j、ByteByteGo
来源: ByteByteGo · 由HeadlinesBriefing整理摘要