GraphRAG

在上次关于检索增强生成(RAG)的更新中，我们已经介绍了 GraphRAG 。它最初在微软的文章中被描述为一个两步的流程：(1) 对文档进行分块，并使用基于大语言模型的分析构建知识图谱；(2) 通过嵌入检索的方式在查询时检索相关块，沿着知识图谱的边缘发现更多相关的分块，这些分块后续会被添加到增强提示中。在许多情况下，这种方法提高了大语言模型生成的响应数据的质量。我们在使用生成式 AI 理解遗留代码库的过程中也观察到了类似的好处——通过像抽象语法树和代码依赖这样的结构化信息去构建知识图谱。GraphRAG 模式正在获得更多的关注，像 Neo4j 的GraphRAG Python 库这样的工具与架构正在不断出现以支持该模式。同时，我们认为Graphiti也符合广义上的 GraphRAG 模式。