GraphRAG

最近几天，微软团队开源了GraphRAG，这是一种基于图（Graph）的检索增强生成方法。

先说说RAG吧，检索增强生成，相当于是从一个给定好的知识库中进行检索，接入LLM模型，让模型生成准确且符合上下文的答案，减少幻觉，根据特定的知识库进行符合知识库内容的回答。如果和模型微调进行比较，通俗点来说，RAG是给模型一本《答案全解》让它自己查，微调是给模型开辅导班补习。不过，传统RAG有一些待解决的问题，比如推理能力不足，答案不完整，准确性不足等。

知识图谱可视化示例

而 GraphRAG 的实现流程大致如下，首先将输入文本转化为文本块，让 LLM 提取知识图谱，将知识图谱聚类，基于关键词实现子图遍历。

我们直接来看看 GraphRAG 的实战测试吧。测试基于俄乌双方关于暴力事件的上千份新闻报道，文件内容比较多，而且内容之间关系复杂，无法直接放入LLM的上下文中，RAG方法是此时的最优解。团队首先测试了第一个问题：Novorossiya 是什么？

可以看到无论是 Baseline RAG 还是 GraphRAG 表现都很好，因为这种查询确实是基线RAG擅长的部分，查就完了。

但如果把问题换成：Novorossiya 做了什么？

Baseline RAG 根本没法给出答案，它的源文件中没有任何东西提到这个关键词。而 GraphRAG 让 LLM 建立了知识图谱，分析实体之间的关系，生成了很不错的答案。GraphRAG 极大的提升了 RAG 的检索能力，在捕获上下文的这个过程中可以填充更多具有相关性的内容，从而让生成的答案更具准确性。

不过有一个无法避免的问题：所有的性能改进技术，都会导致 token 的使用和推理的时间增加。但这并不影响 GraphRAG 的优秀，让我们一起期待一下GraphRAG的进一步发展吧！

项目地址：

https://github.com/microsoft/graphrag

  ——EOF——

福利：

后台回复【酒店】可免费领取酒店管理系统源码