Graph RAG și grafuri de cunoștințe

Graph RAG folosește relațiile dintre entități ca dovezi suplimentare. Graful și documentele se completează, dar ambele trebuie verificate.

Pașii se referă la funcționalități identificate în codul aplicației. Validarea pe o instanță live nu a fost efectuată pentru acest material; verifică documentația și opțiunile din versiunea ta.

Cum funcționează, pas cu pas

Relații explicite, cu proveniență

Un graf are entități și relații, precum Produs → folosește → Piesă. Extragerea cu LLM poate confunda nume sau inventa relații; păstrează documentul care susține fiecare fapt. Traversarea cu adâncime limitată caută legături pe mai multe hop-uri. Graph RAG local combină fapte Neo4j cu pasaje vectoriale. Acesta nu este automat pipeline-ul Microsoft GraphRAG cu detecție de comunități și rapoarte. Întrebările despre dependențe pot beneficia de graf; întrebările simple din FAQ pot fi mai ieftine cu retrieval vectorial.

RAG este acces la dovezi, nu reantrenare

RAG înseamnă retrieval-augmented generation: căutarea furnizează fragmente relevante modelului înainte de răspuns. Ingestia pregătește documentele, iar interogarea caută în index și construiește contextul. Modelul de embeddings reprezintă textul numeric; modelul de răspuns redactează. Rerankerul, vision, graph și router au roluri diferite, când sunt necesare. RAG ajută pentru informație privată sau schimbătoare, dar nu garantează adevărul. Pentru solduri, stoc exact sau permisiuni folosește un API autorizat; un document vechi nu este sursă sigură pentru starea curentă.

Documentul bun precede răspunsul bun

Pregătește texte lizibile, titluri clare, tabele cu antete și surse fără duplicări inutile. Chunking împarte documentul în fragmente care pot fi recuperate separat; overlap păstrează continuitatea dintre fragmente vecine. Un segment prea scurt pierde condițiile, iar unul prea mare introduce zgomot. Metadatele păstrează sursa, poziția și versiunea, precum și domeniul de acces unde implementarea îl aplică. Upload-ul salvează fișierul, indexarea îl face căutabil. Dacă sursa se schimbă, verifică dispariția segmentelor vechi și reapariția celor noi înainte de a anunța că baza este actualizată.

Laborator detaliat

Adâncime, limită și rezolvarea entităților

vector_top_k controlează pasajele text; graph_depth limitează relațiile traversate, iar graph_limit limitează faptele returnate. Nu mări toate valorile simultan. Pentru întrebarea despre adaptor încearcă adâncime 1 și 2 și verifică dacă apare legătura necesară prin P-12.

Două produse cu nume asemănător pot avea SKU-uri diferite. Rezolvarea entității trebuie să păstreze identificatorul exact. Fiecare relație recuperată trebuie comparată cu sursa. Adâncimea mai mare poate adăuga relații nerelevante și cost, nu doar informație utilă.

Harta vizuală

Urmărește săgețile continue pentru fluxul principal. Săgețile albastre punctate furnizează date sau context; cele roz punctate arată feedback sau rezultate care revin. Culorile și formele disting modelele, stocările, deciziile și rezultatele. Faptele din graf și pasajele vectoriale se reunesc. LX-240 → P-12 → A-7 exemplifică două relații consecutive, nu o garanție automată a adevărului. Recuperarea întoarce dovezi. Dacă este activat un model de răspuns, acesta compune și un răspuns; dovezile recuperate trebuie verificate. Pe ecrane mici, derulează orizontal pentru a urmări întreaga diagramă.

Un exemplu complet

Catalogul spune LX-240 folosește piesa P-12, iar manualul leagă P-12 de adaptorul A-7. Întrebarea despre adaptor necesită urmărirea a două relații și verificarea pasajelor originale.

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

Încearcă tu

1. Selectează Graph și model graph; compară graph_depth=1 și 2 și inspectează faptele recuperate.
2. Notează intrarea, sursa și rezultatul așteptat înainte să rulezi experimentul. Folosește doar datele fictive din exemplu.
3. Urmărește etapele din diagramă. La fiecare pas scrie ce informație primește și ce produce; nu confunda rezultatul intermediar cu rezultatul final.
4. Repetă cazul după eliminarea unei informații necesare sau după o intrare ambiguă. Verifică dacă sistemul cere clarificare, se oprește sau inventează.
5. Compară cu soluția comentată. Păstrează configurația, data, rezultatul și o explicație pentru orice diferență. Schimbă un singur lucru și retestează.

Soluție comentată

Traseul LX-240 → P-12 → A-7 este susținut de surse; un nume similar nu este tratat ca aceeași entitate. Pentru a considera exercițiul reușit, poți arăta legătura dintre intrare, etapele parcurse și rezultat. Dacă lipsesc date, un răspuns prudent este mai util decât o completare inventată. Nu compara doar stilul: verifică și condițiile, sursele și operațiile efectuate.

Când merită și ce poate merge prost

Graph RAG local nu presupune rapoarte de comunități Microsoft GraphRAG. Alege această abordare când îmbunătățește o nevoie măsurată. Păstrează o variantă simplă ca referință și compară rezultatele pe aceleași intrări. Un singur exemplu reușit nu stabilește fiabilitatea în toate situațiile.

Verifică ce ai înțeles

O muchie extrasă de AI dovedește că relația este adevărată?

Nu. Verifică sursa și identitatea entităților.

RAG modifică parametrii LLM-ului?

Nu. Furnizează context la cerere; schimbarea parametrilor aparține antrenării.

Ce rezultat trebuie să obții în acest exercițiu?

Traseul LX-240 → P-12 → A-7 este susținut de surse; un nume similar nu este tratat ca aceeași entitate.

Cuvinte de ținut minte

• Hop: Trecerea peste o relație din graf.
• Retrieval: Căutarea informației relevante în surse accesibile.
• Chunk: Fragment de document care poate fi căutat separat.

Surse și următorul pas

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

Pentru pregătire: R05 — Multimodal RAG: documentele au și imagini