身處信息爆炸時代，如何從海量信息中獲取準確全面的搜索結果，并以更直觀、可讀的方式呈現出來是大家期待達成的目標。傳統的搜索增強技術受限于訓練文本數量、質量等問題，對于復雜或多義詞查詢效果不佳，更無法滿足 ChatGPT 等大語言模型應用帶來的大規模、高并發的復雜關聯查詢需求。

在此背景下，悅數圖數據庫率先實現了與 Llama Index、LangChain 等大語言模型框架的深度適配并在行業內首次提出了 Graph RAG（基于圖技術的檢索增強）的概念，利用知識圖譜結合大語言模型（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、更精準的搜索結果。目前，悅數圖數據庫推出的這項技術在與向量數據庫結合的領域也獲得了相當不錯的效果。

今天我們就一起來了解下什么是 Graph RAG 以及它與其他 RAG 技術的對比，也歡迎進入 悅數圖數據庫 官網，通過 Demo 直觀感受這一功能。

在傳統的搜索引擎中，檢索結果通常是基于關鍵詞的匹配。而隨著用戶對搜索精確度和詞匯聯想能力要求的提高，傳統的搜索結果往往難以滿足用戶的實際需求，尤其是在處理復雜的問題和長尾查詢時，效果會明顯降低。

為了解決這類問題，RAG 搜索增強技術應運而生。RAG （Retrieval-Augmented Generation），指的是通過 RAG 模型來對搜索結果進行增強的過程。具體來說，它是將檢索技術和語言生成技術相結合來增強生成過程的一種技術，可以幫助傳統搜索引擎生成更加準確、相關和多樣化的信息來滿足用戶的需求。

而為了使搜索結果更精準，RAG 技術仍然面臨訓練數據和文本理解的挑戰：

• 訓練數據：RAG 技術需要大量的數據和計算資源來訓練和生成模型，尤其是在處理多語言和復雜任務時，但是互聯網上文本的質量和準確性是有限的，訓練數據的不足會直接影響生成內容的質量

• 文本理解：RAG 需要理解查詢的意圖，但是對于復雜的查詢或者多義詞查詢，RAG 可能會出現歧義或不確定性，從而影響生成的質量

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

「Graph RAG」是由悅數圖數據率先提出的概念，它是一種基于知識圖譜的檢索增強技術，通過構建圖模型的知識表達，將實體和關系之間的聯系用圖的形式進行展示，然后利用大語言模型 LLM（Large Language Model）進行檢索增強。

在之前 和 Llama Index 的直播研討會 中我們提到，圖數據庫憑借圖形格式組織和連接信息的方式，天然適合存儲及表達復雜的上下文信息。通過圖技術構建知識圖譜提升 In-Context Learning 的全面性為用戶提供更多的上下文信息，能夠幫助大語言模型（LLM）更好地理解實體間的關系，提升自己的表達和推理能力。

Graph RAG 將知識圖譜等價于一個超大規模的詞匯表，而實體和關系則對應于單詞。通過這種方式，Graph RAG 在檢索時能夠將實體和關系作為單元進行聯合建模，從而更準確地理解查詢意圖，并提供更精準的檢索結果。

下面我們就通過 Demo 演示來直觀比較下 Graph RAG 與 Vector RAG、Text2Cypher 這三種檢索增強技術的區別和對比——

Graph RAG 與 Vector RAG 的對比

首先是 Vector RAG（向量檢索） 與 Graph + Vector RAG（圖技術增強的向量檢索）的對比。

• 左：Vector RAG 右：Graph RAG

以《銀河護衛隊 3》的數據集為例，當我們詢問“彼得·奎爾的相關信息”時，單獨使用向量檢索引擎只給出了簡單的身份、劇情、演員信息，而當我們使用 Graph RAG 增強后的搜索結果，則提供了更多關于主角技能、角色目標和身份變化的信息——在這個例子中我們不難看出， Graph RAG 的方法有效補充了 Embedding、向量搜索等傳統手段的不足。

Graph RAG 與 Text2Cypher 的對比

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

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

• 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 實現的檢索明顯呈現出更豐富的結果。用戶不僅獲得了最基礎的介紹信息，更能得到“彼得·奎爾是銀河護衛隊的領導者”、“這個角色暗示自己將在續集中回歸”以及角色性格等一系列基于關聯搜索和上下文進行推理得出的結果。

悅數圖數據庫不僅是國內首家提出 Graph RAG 概念的廠商，也率先實現了與大語言模型框架 Llama Index 、LangChain 等的深度適配，因此開發者可以專注于 LLM 的編排邏輯和 pipeline 設計，而不用親自處理很多細節的抽象與實現，一站式生成高質量、低成本的企業級大語言模型應用。

Graph RAG 技術的出現可以說是為海量信息處理和檢索帶來了全新的思路。通過將知識圖譜、圖存儲集成到大語言模型（LLM） 技術棧中，Graph RAG 把上下文學習推向了一個新的高度。目前，用戶基于悅數圖數據庫 僅需要 3 行代碼就可以輕松搭建 Graph RAG，甚至整合更復雜的 RAG 邏輯，比如 Graph+Vector RAG。

選擇相信隨著圖技術和深度學習算法的進一步發展，Graph RAG 技術在信息處理和檢索領域的應用也會越來越廣泛。歡迎大家點擊【聯系我們】獲取悅數圖數據的免費試用機會，輕松構建您的專屬知識圖譜應用！