Graph RAG und Wissensgraphen
Graph RAG verwendet Entitätsbeziehungen als zusätzlichen Beweis.
Was Sie lernen werden
- Erklären Sie: explizite Beziehungen zur Herkunft
- Wenden Sie die Idee in einem Beispiel an: Zeichnen Sie RAG und Wissensgraphen
- Erkennen Sie Einschränkungen und überprüfen Sie das Übungsergebnis
Graph RAG verwendet Entitätsbeziehungen als zusätzlichen Beweis. Diagramm und Dokumente ergänzen sich, beide bedürfen jedoch einer Verifizierung.
Diese Schritte beziehen sich auf im Anwendungscode identifizierte Funktionen. Dieses Material wurde nicht in einer Live-Instanz validiert; Überprüfen Sie die Dokumentation und die Optionen in Ihrer Version.
Wie es funktioniert, Schritt für Schritt
Explizite Beziehungen zur Provenienz
Ein Diagramm enthält Entitäten und Beziehungen, z. B. Produkt → Verwendungen → Teil. Die LLM-Extraktion kann Namen verwechseln oder Beziehungen erfinden; Bewahren Sie das Dokument auf, das jede Tatsache belegt. Bounded Traversal sucht nach Verbindungen über mehrere Hops hinweg. Local Graph RAG kombiniert Neo4j-Fakten mit Vektorpassagen. Es handelt sich nicht automatisch um die Microsoft GraphRAG-Pipeline mit Community-Erkennung und -Berichten. Abhängigkeitsfragen können von einem Diagramm profitieren; Einfache FAQ-Fragen können mit der Vektorabfrage günstiger sein.
RAG greift auf Beweise zu, es führt keine Umschulung durch
RAG bedeutet Retrieval-Augmented Generation: Retrieval liefert relevante Passagen, bevor das Modell antwortet. Die Aufnahme bereitet Dokumente vor, während die Abfrageausführung den Index durchsucht und den Kontext erstellt. Ein Einbettungsmodell stellt Text numerisch dar; Das Antwortmodell schreibt die Antwort. Reranker-, Vision-, Graph- und Router-Modelle übernehmen bei Bedarf unterschiedliche Rollen. RAG hilft bei privaten oder sich ändernden Informationen, übernimmt jedoch keine Gewähr für die Richtigkeit. Verwenden Sie eine autorisierte API für Salden, genaue Bestände oder Berechtigungen; Ein altes Dokument ist keine verlässliche Quelle für den aktuellen Stand.
Gute Dokumente kommen vor guten Antworten
Bereiten Sie lesbaren Text, klare Überschriften, Tabellen mit Überschriften und Quellen ohne unnötige Duplikate vor. Chunking unterteilt ein Dokument in separat abrufbare Passagen; Überlappung bewahrt die Kontinuität zwischen Nachbarn. Ein kleiner Brocken kann Bedingungen verlieren, während ein großer Brocken Rauschen verursacht. Metadaten bewahren Quelle, Position und Version sowie den Zugriffsbereich, sofern dies durch die Implementierung erzwungen wird. Beim Hochladen wird die Datei gespeichert. Die Indizierung macht es durchsuchbar. Wenn sich eine Quelle ändert, prüfen Sie, ob alte Blöcke verschwinden und neue abgerufen werden, bevor Sie die Wissensdatenbank als aktuell erklären.
Detailliertes Labor
Tiefe, Grenzen und Entitätsauflösung
vector_top_k bestimmt die Anzahl der Textpassagen; graph_depth begrenzt die Tiefe beim Durchlaufen der Beziehungen; graph_limit begrenzt die Anzahl der zurückgegebenen Fakten. Erhöhen Sie nicht alle Parameter gleichzeitig. Vergleichen Sie für die Frage zum Adapter die Tiefen 1 und 2 und prüfen Sie die benötigte Verbindung über P-12.
Produkte mit ähnlichen Namen können unterschiedliche SKUs haben. Bei der Entitätsauflösung müssen genaue Bezeichner erhalten bleiben. Vergleichen Sie jede zurückgegebene Beziehung mit ihrer Quelle. Eine größere Tiefe kann zu irrelevanten Zusammenhängen und Kosten führen, anstatt nur nützliche Beweise zu liefern.
Das erklärende Schaubild
Folgen Sie den durchgezogenen Pfeilen für den Hauptfluss. Gestrichelte blaue Pfeile liefern Daten oder Kontext; Gestrichelte rosa Pfeile zeigen Feedback oder zurückgegebene Ergebnisse an. Farben und Formen unterscheiden Modelle, Geschäfte, Entscheidungen und Ergebnisse. Graphenfakten und Vektorpassagen konvergieren. LX-240 → P-12 → A-7 veranschaulicht eine Zwei-Sprung-Beziehung, keine automatische Garantie für die Wahrheit. Der Abruf gibt Beweise zurück. Wenn ein Antwortmodell aktiviert ist, erstellt es auch eine Antwort; sichergestellte Beweise müssen noch überprüft werden. Scrollen Sie auf kleinen Bildschirmen horizontal, um das gesamte Schaubild zu verfolgen.
Ein vollständiges Beispiel
Im Katalog steht, dass LX-240 P-12 verwendet, und im Handbuch ist P-12 mit Adapter A-7 verknüpft. Für die Frage nach dem Adapter sind zwei Beziehungen und eine Überprüfung der Originalpassage erforderlich.
template: Graph
vector_top_k: 4
graph_depth: 2
graph_limit: 20
Probieren Sie es selbst aus
- Wählen Sie Diagramm und ein Diagrammmodell aus; Vergleichen Sie graph_depth=1 und 2 und überprüfen Sie die abgerufenen Fakten.
- Notieren Sie die Eingabe, die Quelle und das erwartete Ergebnis, bevor Sie das Experiment durchführen. Verwenden Sie im Beispiel nur die fiktiven Daten.
- Folgen Sie den Diagrammschritten. Notieren Sie bei jedem Schritt, welche Informationen empfangen und produziert werden. Verwechseln Sie Zwischenergebnisse nicht mit Endergebnissen.
- Wiederholen Sie den Vorgang, nachdem Sie erforderliche Informationen entfernt oder die Eingabe mehrdeutig gemacht haben. Prüfen Sie, ob das System eine Antwort klärt, stoppt oder erfindet.
- Vergleichen Sie mit der erklärten Lösung. Bewahren Sie die Konfiguration, das Datum, das Ergebnis und eine Erklärung für Unterschiede auf. Ändern Sie eine Sache und testen Sie es erneut.
Eine erklärte Lösung
Der Pfad LX-240 → P-12 → A-7 ist quellengestützt; Ein ähnlicher Name wird nicht als dieselbe Entität behandelt. Mit einer erfolgreichen Übung können Sie den Zusammenhang zwischen Input, Phasen und Ergebnis aufzeigen. Bei fehlenden Informationen ist eine vorsichtige Antwort sinnvoller als erfundene Details. Vergleichen Sie mehr als nur Stil: Überprüfen Sie auch Bedingungen, Quellen und Vorgänge.
Wann dieser Ansatz hilft und wo seine Grenzen liegen
Local Graph RAG bedeutet nicht, dass Microsoft GraphRAG-Communityberichte vorliegen. Wählen Sie diesen Ansatz, wenn er einen gemessenen Bedarf verbessert. Behalten Sie eine einfache Ausgangsbasis bei und vergleichen Sie die Ergebnisse mit identischen Eingaben. Ein erfolgreiches Beispiel stellt nicht in jeder Situation Verlässlichkeit dar.
Überprüfen Sie Ihr Wissen
Beweist eine KI-extrahierte Kante, dass die Beziehung wahr ist?
Nein. Überprüfen Sie die Quelle und die Identität der Entitäten.
Verändert RAG die LLM-Parameter?
Nein. Es stellt den Kontext zur Anforderungszeit bereit. Parameteränderungen gehören zum Training.
Zu welchem Ergebnis soll diese Übung führen?
Der Pfad LX-240 → P-12 → A-7 ist quellengestützt; Ein ähnlicher Name wird nicht als dieselbe Entität behandelt.
Wichtige Begriffe
- Hop: Eine Beziehung in einem Diagramm kreuzen.
- Abruf: Relevante Informationen in zugänglichen Quellen finden.
- Brocken: Eine Dokumentpassage, die separat abgerufen werden kann.
Quellen und Ihr nächster Schritt
Zur Vorbereitung: R05 – Multimodales RAG: Dokumente enthalten auch Bilder