理解GraphRAG其實并不難，可以理解為由兩個主要模塊組成：

1. 向量檢索(Local Search)
2. 局部知識圖譜社區檢索(Global Search)

所謂 GraphRAG 一定程度上可以理解為使用 LLM 生成知識圖譜，在對復雜信息進行文檔分析時可顯著提高問答性能，尤其是在處理私有數據時。 GraphRAG構建流程主要是以下三個：

1. 圖表作為內容存儲：提取相關文檔塊并要求 LLM 使用它們進行回答。這種變體需要一個包含相關文本內容和元數據的 KG，以及與矢量數據庫的集成。
2. Graph 作為主題專家：提取與自然語言 (NL) 問題相關的概念和實體的描述，并將其作為附加的“語義上下文”傳遞給 LLM。理想情況下，描述應包括概念之間的關系。這種變化需要具有全面概念模型的 KG，包括相關本體、分類法或其他實體描述。實現需要實體鏈接或其他機制來識別與問題相關的概念。
3. 圖表作為數據庫：將 NL 問題(部分)映射到圖表查詢，執行查詢并要求 LLM 總結結果。這種變化需要一個包含相關事實信息的圖表。這種模式的實現需要某種 NL 到圖表查詢工具和實體鏈接。

下面分享一個GraphRAG+Langchain實現大模型知識圖譜的筆記。

本文轉載自公眾號數字化助推器  作者：天涯咫尺TGH

原文鏈接：??https://mp.weixin.qq.com/s/TkjJFEXbVAAVw40ZCq6UMg??