GraphRAG 简介

关于 GraphRAG

GraphRAG 是使用知识图谱的检索增强生成（RAG）。

在深入检索增强生成 (RAG) 系统世界时，您是否曾偶然发现 GraphRAG 一词？如果是，您并非孤单。这个术语正在引起轰动，但其含义可能难以捉摸。有时，它是一种特定的检索方法；另一些时候，它是一个完整的软件套件，例如微软的 GraphRAG “数据管道和转换套件”。由于用途如此多样，即使是 RAG 讨论中最专注的追随者也会感到有些迷茫，这不足为奇。

那么，GraphRAG 到底是什么？

对我们来说，它是一组利用图结构进行检索的 RAG 模式。每种模式都需要独特的数据结构或图模式才能有效运行。

GraphRAG Overview

在本网站上，我们将深入探讨 GraphRAG 模式的细节，分解每种模式的属性和策略。

如果您想了解 RAG 的介绍，请查看什么是检索增强生成 (RAG)？。

我们提供的每种模式都直接链接到其 GraphRAG 模式目录条目。该目录是一个开源倡议，旨在及时了解最新的模式演变。

注意：我们刚刚开始收集模式，并且肯定还缺少很多模式。请帮助我们构建一个全面的 GraphRAG 模式目录，并加入 GraphRAG Discord 频道上的讨论。

为了让您更清楚地了解，本文中解释的模式包括

GraphRAG 基本模式

GraphRAG 高级模式

知识图谱模型

主题分类

根据 Gao 等人的说法，RAG 有三种范式：朴素 RAG、高级 RAG 和模块化 RAG

在高级 RAG 范式中，预检索和后检索阶段被添加到朴素 RAG 范式中。模块化 RAG 系统包含更复杂的模式，需要对用户查询进行编排和路由。

高级 RAG 系统的阶段

预检索 — 查询重写、查询实体提取、查询扩展等。
检索相关上下文
后检索：重新排序、修剪等。
答案生成

在这里，我们想重点关注*检索阶段*，并汇编一份最常引用的 GraphRAG 检索模式及其所需图模式的目录。请注意，这里的模式并非详尽无遗。

如何使用 GraphRAG

如果您希望使用 neo4j-graphrag 包、LangChain、LlamaIndex 实现此处讨论的检索器，请查看它们的 GraphRAG 检索器集成。

这里我们关注有趣的部分：使用 retrieval_query 实现我们讨论的 GraphRAG 模式。每种模式的详细信息将包含相应的查询。

请记住，在创建查询时，有一个无形的“第一部分”执行搜索操作以找到您进入图的入口点（可以是向量、全文、空间、混合或过滤器）。搜索部分返回找到的节点及其相似性得分，然后您可以在检索查询中使用这些得分来执行进一步的遍历。

以下是这可能看起来的示例（来自 LangChain Neo4j Vector 文档的示例）

retrieval_query = """
RETURN "Name: " + node.name AS text, score, {source:node.url} AS metadata
"""
retrieval_example = Neo4jVector.from_existing_index(
    OpenAIEmbeddings(),
    url=url,
    username=username,
    password=password,
    index_name="person_index",
    retrieval_query=retrieval_query,
)
retrieval_example.similarity_search("Jon Snow", k=1)

在上面的示例中，使用用户输入 "Jon Snow" 对现有索引 person_index 执行向量相似性搜索，并返回最匹配的一个节点 (k=1) 的 name、score 和一些 metadata。