Graph RAG i grafy wiedzy

Wykres RAG wykorzystuje relacje między jednostkami jako dodatkowy dowód. Wykres i dokumenty uzupełniają się, ale jedno i drugie wymaga weryfikacji.

Kroki te odnoszą się do funkcji zidentyfikowanych w kodzie aplikacji. Ten materiał nie został sprawdzony na żywo; sprawdź dokumentację i opcje w swojej wersji.

Jak to działa, krok po kroku

Wyraźne powiązania z pochodzeniem

Wykres zawiera elementy i relacje, takie jak Produkt → zastosowania → Część. Ekstrakcja LLM może mylić nazwy lub wymyślać relacje; zachowaj dokument potwierdzający każdy fakt. Ograniczone przechodzenie szuka połączeń poprzez wiele przeskoków. Local Graph RAG łączy fakty Neo4j z fragmentami wektorowymi. Nie jest to automatycznie potok Microsoft GraphRAG z wykrywaniem społeczności i raportami. W przypadku pytań dotyczących zależności można skorzystać z wykresu; proste pytania FAQ mogą być tańsze przy pobieraniu wektorów.

RAG uzyskuje dostęp do dowodów, a nie przekwalifikowuje

RAG oznacza generowanie wspomagane wyszukiwaniem: wyszukiwanie dostarcza odpowiednich fragmentów, zanim model odpowie. Pozyskiwanie przygotowuje dokumenty, podczas gdy wykonanie zapytania przeszukuje indeks i buduje kontekst. Model osadzania reprezentuje tekst liczbowo; model odpowiedzi zapisuje odpowiedź. Rerankery, wizja, modele graficzne i routery pełnią w razie potrzeby różne role. RAG pomaga w przypadku prywatnych lub zmieniających się informacji, ale nie gwarantuje prawdy. Korzystaj z autoryzowanego API dla sald, dokładnych zapasów lub uprawnień; stary dokument nie jest wiarygodnym źródłem obecnego stanu.

Dobre dokumenty poprzedzają dobre odpowiedzi

Przygotuj czytelny tekst, jasne nagłówki, tabele z nagłówkami i źródłami bez zbędnych duplikatów. Dzielenie dokumentu na fragmenty, które można oddzielnie odzyskiwać; nakładanie się zapewnia ciągłość pomiędzy sąsiadami. Krótki kawałek może stracić warunki, podczas gdy duży wprowadza hałas. Metadane zachowują źródło, pozycję i wersję, a także zakres dostępu, jeśli jest to wymuszone przez implementację. Przesyłanie przechowuje plik; indeksowanie umożliwia przeszukiwanie. Gdy zmieni się źródło, przed zadeklarowaniem aktualnej bazy wiedzy sprawdź, czy stare fragmenty zniknęły i czy zostały pobrane nowe.

Szczegółowe laboratorium

Głębokość, ograniczenia i rozdzielczość encji

vector_top_k określa liczbę fragmentów tekstu; graph_depth ogranicza głębokość przechodzenia przez relacje; graph_limit ogranicza liczbę zwracanych faktów. Nie zwiększaj wszystkich parametrów jednocześnie. Dla pytania o adapter porównaj głębokości 1 i 2 oraz sprawdź wymagane połączenie przez P-12.

Produkty o podobnej nazwie mogą mieć różne numery SKU. Rozpoznawanie jednostek musi zachowywać dokładne identyfikatory. Porównaj każdą zwróconą relację z jej źródłem. Większa głębokość może dodać nieistotne powiązania i koszty, a nie same przydatne dowody.

Schemat objaśniający

Postępuj zgodnie ze strzałkami wskazującymi główny przepływ. Przerywane niebieskie strzałki przedstawiają dane lub kontekst; przerywane różowe strzałki pokazują opinie lub zwracane wyniki. Kolory i kształty wyróżniają modele, sklepy, decyzje i wyniki. Fakty na wykresie i fragmenty wektorów zbiegają się. LX-240 → P-12 → A-7 ilustruje relację dwóch przeskoków, a nie automatyczną gwarancję prawdy. Pobieranie zwraca dowód. Jeśli model odpowiedzi jest włączony, tworzy on również odpowiedź; odzyskane dowody nadal wymagają sprawdzenia. Na małym ekranie przewijaj w poziomie, aby zobaczyć cały schemat.

Kompletny przykład

W katalogu jest napisane, że LX-240 wykorzystuje P-12, a instrukcja łączy P-12 z adapterem A-7. Pytanie o adapter wymaga dwóch relacji i weryfikacji oryginalnego fragmentu.

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

Spróbuj sam

1. Wybierz Wykres i model wykresu; porównaj graph_depth=1 i 2 i sprawdź odzyskane fakty.
2. Przed rozpoczęciem eksperymentu zapisz dane wejściowe, źródło i oczekiwany wynik. W przykładzie użyj wyłącznie fikcyjnych danych.
3. Postępuj zgodnie z etapami diagramu. Na każdym etapie zapisuj, jakie informacje zostały otrzymane i wyprodukowane; nie myl produktu pośredniego z efektem końcowym.
4. Powtórz po usunięciu niezbędnych informacji lub wprowadzeniu niejednoznaczności. Sprawdź, czy system wyjaśnia, zatrzymuje lub wymyśla odpowiedź.
5. Porównaj z objaśnionym rozwiązaniem. Zachowaj konfigurację, datę, wynik i wyjaśnienie różnic. Zmień jedną rzecz i przetestuj ponownie.

Wyjaśnione rozwiązanie

Ścieżka LX-240 → P-12 → A-7 jest obsługiwana przez źródło; podobna nazwa nie jest traktowana jako ten sam podmiot. Pomyślne ćwiczenie pozwala pokazać związek między danymi wejściowymi, etapami i wynikiem. Gdy brakuje informacji, bardziej użyteczna jest ostrożna odpowiedź niż wymyślane szczegóły. Porównaj więcej niż styl: sprawdź także warunki, źródła i operacje.

Kiedy to podejście pomaga i jakie ma ograniczenia

Local Graph RAG nie oznacza raportów społeczności Microsoft GraphRAG. Wybierz to podejście, jeśli poprawia ono zmierzoną potrzebę. Zachowaj prostą linię bazową i porównaj wyniki, korzystając z identycznych danych wejściowych. Jeden udany przykład nie gwarantuje niezawodności w każdej sytuacji.

Sprawdź swoją wiedzę

Czy przewaga wyodrębniona przez sztuczną inteligencję dowodzi, że związek jest prawdziwy?

Nie. Sprawdź jego źródło i tożsamość podmiotów.

Czy RAG zmienia parametry LLM?

Nie. Dostarcza kontekst w czasie żądania; zmiany parametrów należą do szkolenia.

Jaki wynik powinno dać to ćwiczenie?

Ścieżka LX-240 → P-12 → A-7 jest obsługiwana przez źródło; podobna nazwa nie jest traktowana jako ten sam podmiot.

Pojęcia do zapamiętania

• Chmiel: Przecięcie jednej relacji na wykresie.
• Wyszukiwanie: Znajdowanie odpowiednich informacji w dostępnych źródłach.
• Kawałek: Fragment dokumentu, który można pobrać osobno.

Źródła i następny krok

• Microsoft GraphRAG — przegląd zapytań
• Lewis et al. — Pokolenie rozszerzone o odzyskiwanie

Aby przygotować: R05 — Multimodalny RAG: dokumenty zawierają również obrazy