Graph RAG en kennisgrafen

Graph RAG gebruikt entiteitsrelaties als aanvullend bewijs. Grafiek en documenten vullen elkaar aan, maar beide hebben verificatie nodig.

Deze stappen verwijzen naar de functies die in de applicatiecode zijn geïdentificeerd. Dit materiaal is niet gevalideerd op een live exemplaar; controleer de documentatie en de opties in uw versie.

Hoe het werkt, stap voor stap

Expliciete relaties met herkomst

Een grafiek bevat entiteiten en relaties, zoals Product → gebruik → Onderdeel. LLM-extractie kan namen verwarren of relaties verzinnen; bewaar het document dat elk feit ondersteunt. Bounded traversal zoekt naar verbindingen over meerdere hops heen. Local Graph RAG combineert Neo4j-feiten met vectorpassages. Het is niet automatisch de Microsoft GraphRAG-pijplijn met communitydetectie en rapporten. Afhankelijkheidsvragen kunnen baat hebben bij een grafiek; eenvoudige FAQ-vragen kunnen goedkoper zijn met het ophalen van vectoren.

RAG heeft toegang tot bewijsmateriaal, maar herschoolt niet

RAG betekent retrieval-augmentedgeneration: ophalen levert relevante passages op voordat het model antwoordt. Ingestion bereidt documenten voor, terwijl de uitvoering van query's de index doorzoekt en context opbouwt. Een inbeddingsmodel geeft tekst numeriek weer; het responsmodel schrijft het antwoord. Rerankers, vision-, grafiek- en routermodellen vervullen indien nodig verschillende rollen. RAG helpt bij privé- of veranderende informatie, maar garandeert de waarheid niet. Gebruik een geautoriseerde API voor saldi, exacte inventarisatie of machtigingen; een oud document is geen betrouwbare bron voor de huidige stand van zaken.

Goede documenten gaan vóór goede antwoorden

Zorg voor leesbare tekst, duidelijke kopjes, tabellen met kopteksten en bronnen zonder onnodige duplicaten. Chunking verdeelt een document in afzonderlijk opvraagbare passages; overlap bewaart de continuïteit tussen buren. Een klein deel kan omstandigheden verliezen, terwijl een groot deel ruis introduceert. Metagegevens behouden de bron, positie en versie, plus het toegangsbereik waar dit door de implementatie wordt afgedwongen. Upload slaat het bestand op; indexering maakt het doorzoekbaar. Wanneer een bron verandert, controleer dan of oude stukken verdwijnen en nieuwe worden opgehaald voordat u de kennisbank actueel verklaart.

Gedetailleerd laboratorium

Diepte, grenzen en entiteitsresolutie

vector_top_k bepaalt het aantal tekstfragmenten; graph_depth begrenst de diepte waarmee relaties worden doorlopen; graph_limit begrenst het aantal teruggegeven feiten. Verhoog niet alle parameters tegelijk. Vergelijk voor de vraag over de adapter de dieptes 1 en 2 en controleer de benodigde verbinding via P-12.

Producten met dezelfde naam kunnen verschillende SKU's hebben. Bij de afwikkeling van entiteiten moeten de exacte identificatiegegevens behouden blijven. Vergelijk elke geretourneerde relatie met de bron ervan. Een grotere diepgang kan irrelevante relaties en kosten met zich meebrengen in plaats van alleen bruikbaar bewijsmateriaal.

Het verklarende schema

Volg de ononderbroken pijlen voor de hoofdstroom. Gestippelde blauwe pijlen leveren gegevens of context; roze pijlen geven feedback of geretourneerde resultaten weer. Kleuren en vormen onderscheiden modellen, winkels, beslissingen en resultaten. Grafiekfeiten en vectorpassages komen samen. LX-240 → P-12 → A-7 illustreert een tweesprongrelatie, niet een automatische garantie voor de waarheid. Ophalen levert bewijsmateriaal op. Als een antwoordmodel is ingeschakeld, wordt er ook een antwoord samengesteld; Het opgehaalde bewijsmateriaal moet nog worden gecontroleerd. Scrol op kleine schermen horizontaal om het hele schema te volgen.

Een compleet voorbeeld

De catalogus zegt dat de LX-240 P-12 gebruikt, en de handleiding koppelt P-12 aan adapter A-7. Voor vragen over de adapter zijn twee relaties en verificatie van de originele passage nodig.

template: Graph
vector_top_k: 4
graph_depth: 2
graph_limit: 20

Probeer het zelf

1. Selecteer Grafiek en een grafiekmodel; vergelijk graph_depth=1 en 2 en inspecteer de gevonden feiten.
2. Leg de input, bron en verwachte uitkomst vast voordat u het experiment uitvoert. Gebruik alleen de fictieve gegevens in het voorbeeld.
3. Volg de diagramfasen. Registreer bij elke stap welke informatie wordt ontvangen en geproduceerd; verwar de tussentijdse output niet met het uiteindelijke resultaat.
4. Herhaal dit nadat de noodzakelijke informatie is verwijderd of de invoer dubbelzinnig is gemaakt. Controleer of het systeem een ​​antwoord verduidelijkt, stopt of verzint.
5. Vergelijk met de uitgelegde oplossing. Bewaar de configuratie, datum, resultaat en een verklaring voor verschillen. Verander één ding en test opnieuw.

Een uitgelegde oplossing

Het pad LX-240 → P-12 → A-7 wordt door de bron ondersteund; een vergelijkbare naam wordt niet als dezelfde entiteit behandeld. Met een succesvolle oefening kun je het verband tussen input, fasen en uitkomst laten zien. Als er informatie ontbreekt, is een voorzichtig antwoord nuttiger dan verzonnen details. Vergelijk meer dan stijl: controleer ook voorwaarden, bronnen en bewerkingen.

Wanneer deze aanpak helpt en wat de beperkingen zijn

Local Graph RAG impliceert geen Microsoft GraphRAG-communityrapporten. Kies deze aanpak wanneer deze een gemeten behoefte verbetert. Houd een eenvoudige basislijn aan en vergelijk de resultaten met behulp van identieke inputs. Eén succesvol voorbeeld garandeert niet in elke situatie betrouwbaarheid.

Controleer wat je hebt geleerd

Bewijst een door AI geëxtraheerde voorsprong dat de relatie waar is?

Nee. Controleer de bron en de identiteit van de entiteiten.

Verandert RAG de LLM-parameters?

Nee. Het levert context op verzoektijd; parameterwijzigingen horen bij training.

Welk resultaat moet deze oefening opleveren?

Het pad LX-240 → P-12 → A-7 wordt door de bron ondersteund; een vergelijkbare naam wordt niet als dezelfde entiteit behandeld.

Begrippen om te onthouden

• Hop: Eén relatie kruisen in een grafiek.
• Ophalen: Relevante informatie vinden in toegankelijke bronnen.
• Brok: Een documentpassage die afzonderlijk kan worden opgevraagd.

Bronnen en uw volgende stap

• Microsoft GraphRAG — Queryoverzicht
• Lewis et al. — Retrieval-Augmented Generation

Ter voorbereiding: R05 — Multimodale RAG: documenten bevatten ook afbeeldingen