身處信息爆炸時(shí)代，如何從海量信息中獲取準(zhǔn)確全面的搜索結(jié)果，并以更直觀、可讀的方式呈現(xiàn)出來(lái)是大家期待達(dá)成的目標(biāo)。傳統(tǒng)的搜索增強(qiáng)技術(shù)受限于訓(xùn)練文本數(shù)量、質(zhì)量等問題，對(duì)于復(fù)雜或多義詞查詢效果不佳，更無(wú)法滿足 ChatGPT 等大語(yǔ)言模型應(yīng)用帶來(lái)的大規(guī)模、高并發(fā)的復(fù)雜關(guān)聯(lián)查詢需求。

在此背景下，悅數(shù)圖數(shù)據(jù)庫(kù)率先實(shí)現(xiàn)了與 Llama Index、LangChain 等大語(yǔ)言模型框架的深度適配并在行業(yè)內(nèi)首次提出了 Graph RAG（基于圖技術(shù)的檢索增強(qiáng)）的概念，利用知識(shí)圖譜結(jié)合大語(yǔ)言模型（LLM）為搜索引擎提供更全面的上下文信息，可以幫助用戶以更低成本獲得更智能、更精準(zhǔn)的搜索結(jié)果。目前，悅數(shù)圖數(shù)據(jù)庫(kù)推出的這項(xiàng)技術(shù)在與向量數(shù)據(jù)庫(kù)結(jié)合的領(lǐng)域也獲得了相當(dāng)不錯(cuò)的效果。

今天我們就一起來(lái)了解下什么是 Graph RAG 以及它與其他 RAG 技術(shù)的對(duì)比，也歡迎進(jìn)入 悅數(shù)圖數(shù)據(jù)庫(kù) 官網(wǎng)，通過 Demo 直觀感受這一功能。

在傳統(tǒng)的搜索引擎中，檢索結(jié)果通常是基于關(guān)鍵詞的匹配。而隨著用戶對(duì)搜索精確度和詞匯聯(lián)想能力要求的提高，傳統(tǒng)的搜索結(jié)果往往難以滿足用戶的實(shí)際需求，尤其是在處理復(fù)雜的問題和長(zhǎng)尾查詢時(shí)，效果會(huì)明顯降低。

為了解決這類問題，RAG 搜索增強(qiáng)技術(shù)應(yīng)運(yùn)而生。RAG （Retrieval-Augmented Generation），指的是通過 RAG 模型來(lái)對(duì)搜索結(jié)果進(jìn)行增強(qiáng)的過程。具體來(lái)說(shuō)，它是將檢索技術(shù)和語(yǔ)言生成技術(shù)相結(jié)合來(lái)增強(qiáng)生成過程的一種技術(shù)，可以幫助傳統(tǒng)搜索引擎生成更加準(zhǔn)確、相關(guān)和多樣化的信息來(lái)滿足用戶的需求。

而為了使搜索結(jié)果更精準(zhǔn)，RAG 技術(shù)仍然面臨訓(xùn)練數(shù)據(jù)和文本理解的挑戰(zhàn)：

• 訓(xùn)練數(shù)據(jù)：RAG 技術(shù)需要大量的數(shù)據(jù)和計(jì)算資源來(lái)訓(xùn)練和生成模型，尤其是在處理多語(yǔ)言和復(fù)雜任務(wù)時(shí)，但是互聯(lián)網(wǎng)上文本的質(zhì)量和準(zhǔn)確性是有限的，訓(xùn)練數(shù)據(jù)的不足會(huì)直接影響生成內(nèi)容的質(zhì)量

• 文本理解：RAG 需要理解查詢的意圖，但是對(duì)于復(fù)雜的查詢或者多義詞查詢，RAG 可能會(huì)出現(xiàn)歧義或不確定性，從而影響生成的質(zhì)量

因此，如何找到更強(qiáng)大的檢索增強(qiáng)技術(shù)，以更高效率獲得更符合搜索者的預(yù)期的搜索結(jié)果的問題就顯得更迫在眉睫。

「Graph RAG」是由悅數(shù)圖數(shù)據(jù)率先提出的概念，它是一種基于知識(shí)圖譜的檢索增強(qiáng)技術(shù)，通過構(gòu)建圖模型的知識(shí)表達(dá)，將實(shí)體和關(guān)系之間的聯(lián)系用圖的形式進(jìn)行展示，然后利用大語(yǔ)言模型 LLM（Large Language Model）進(jìn)行檢索增強(qiáng)。

在之前 和 Llama Index 的直播研討會(huì) 中我們提到，圖數(shù)據(jù)庫(kù)憑借圖形格式組織和連接信息的方式，天然適合存儲(chǔ)及表達(dá)復(fù)雜的上下文信息。通過圖技術(shù)構(gòu)建知識(shí)圖譜提升 In-Context Learning 的全面性為用戶提供更多的上下文信息，能夠幫助大語(yǔ)言模型（LLM）更好地理解實(shí)體間的關(guān)系，提升自己的表達(dá)和推理能力。

Graph RAG 將知識(shí)圖譜等價(jià)于一個(gè)超大規(guī)模的詞匯表，而實(shí)體和關(guān)系則對(duì)應(yīng)于單詞。通過這種方式，Graph RAG 在檢索時(shí)能夠?qū)?shí)體和關(guān)系作為單元進(jìn)行聯(lián)合建模，從而更準(zhǔn)確地理解查詢意圖，并提供更精準(zhǔn)的檢索結(jié)果。

下面我們就通過 Demo 演示來(lái)直觀比較下 Graph RAG 與 Vector RAG、Text2Cypher 這三種檢索增強(qiáng)技術(shù)的區(qū)別和對(duì)比——

Graph RAG 與 Vector RAG 的對(duì)比

首先是 Vector RAG（向量檢索） 與 Graph + Vector RAG（圖技術(shù)增強(qiáng)的向量檢索）的對(duì)比。

• 左：Vector RAG 右：Graph RAG

以《銀河護(hù)衛(wèi)隊(duì) 3》的數(shù)據(jù)集為例，當(dāng)我們?cè)儐?ldquo;彼得·奎爾的相關(guān)信息”時(shí)，單獨(dú)使用向量檢索引擎只給出了簡(jiǎn)單的身份、劇情、演員信息，而當(dāng)我們使用 Graph RAG 增強(qiáng)后的搜索結(jié)果，則提供了更多關(guān)于主角技能、角色目標(biāo)和身份變化的信息——在這個(gè)例子中我們不難看出， Graph RAG 的方法有效補(bǔ)充了 Embedding、向量搜索等傳統(tǒng)手段的不足。

Graph RAG 與 Text2Cypher 的對(duì)比

基于圖譜的 LLM 的另一種有趣方法是 Text2Cypher，即自然語(yǔ)言生成圖查詢。這種方法不依賴于實(shí)體的子圖檢索，而是將任務(wù)/問題翻譯成一個(gè)面向答案的特定圖查詢，和我們常說(shuō)的 Text2SQL 本質(zhì)是一樣的。

Text2Cypher 和 Graph RAG 這兩種方法主要在其檢索機(jī)制上有所不同。Text2Cypher 根據(jù)知識(shí)圖譜的 Schema 和給定的任務(wù)生成圖形模式查詢，而 （Sub）Graph RAG 獲取相關(guān)的子圖以提供上下文。兩者都有其優(yōu)點(diǎn)，大家可以通過這個(gè) demo ，更直觀理解他們的特點(diǎn)：

• 左：Text2Cypher 右：Graph RAG

我們可以看到兩者的圖查詢模式在可視化下是有非常清晰的差異的，基于 Graph RAG 實(shí)現(xiàn)的檢索明顯呈現(xiàn)出更豐富的結(jié)果。用戶不僅獲得了最基礎(chǔ)的介紹信息，更能得到“彼得·奎爾是銀河護(hù)衛(wèi)隊(duì)的領(lǐng)導(dǎo)者”、“這個(gè)角色暗示自己將在續(xù)集中回歸”以及角色性格等一系列基于關(guān)聯(lián)搜索和上下文進(jìn)行推理得出的結(jié)果。

悅數(shù)圖數(shù)據(jù)庫(kù)不僅是國(guó)內(nèi)首家提出 Graph RAG 概念的廠商，也率先實(shí)現(xiàn)了與大語(yǔ)言模型框架 Llama Index 、LangChain 等的深度適配，因此開發(fā)者可以專注于 LLM 的編排邏輯和 pipeline 設(shè)計(jì)，而不用親自處理很多細(xì)節(jié)的抽象與實(shí)現(xiàn)，一站式生成高質(zhì)量、低成本的企業(yè)級(jí)大語(yǔ)言模型應(yīng)用。

Graph RAG 技術(shù)的出現(xiàn)可以說(shuō)是為海量信息處理和檢索帶來(lái)了全新的思路。通過將知識(shí)圖譜、圖存儲(chǔ)集成到大語(yǔ)言模型（LLM） 技術(shù)棧中，Graph RAG 把上下文學(xué)習(xí)推向了一個(gè)新的高度。目前，用戶基于悅數(shù)圖數(shù)據(jù)庫(kù) 僅需要 3 行代碼就可以輕松搭建 Graph RAG，甚至整合更復(fù)雜的 RAG 邏輯，比如 Graph+Vector RAG。

選擇相信隨著圖技術(shù)和深度學(xué)習(xí)算法的進(jìn)一步發(fā)展，Graph RAG 技術(shù)在信息處理和檢索領(lǐng)域的應(yīng)用也會(huì)越來(lái)越廣泛。歡迎大家點(diǎn)擊【聯(lián)系我們】獲取悅數(shù)圖數(shù)據(jù)的免費(fèi)試用機(jī)會(huì)，輕松構(gòu)建您的專屬知識(shí)圖譜應(yīng)用！