解读 Graph RAG：从大规模文档中发现规律，找到相互关系，速度更快，信息更全面！

文章预览

通过检索增强生成（RAG）技术，从而让大模型调用外部知识源（比如个人和公司保存的大量文档）回答问题。 但是当回答针对整个文本语料库的全局性问题，如“数据集中的主要主题是什么？”，RAG却无能为力。 因为这类问题本质上是查询聚焦摘要（QFS）任务，而非一个明确的检索任务。 怎么办呢？ 微软提出的知识图谱RAG（以下使用：Graph RAG）技术， 能够将复杂的、大规模文本数据集转化为易于理解和操作的知识结构，以便更好地理解实体（如人物、地点、机构等）之间的相互关系。 你可以把该技术理解为通过两个步骤简化文本索引： 首先，利用大型语言模型从文档中提取关键信息，构建出反映实体间关系的知识图谱； 然后，为这些实体的集合生成精炼的摘要。当用户提问时，系统会根据这些摘要生成初步答案，并将它们综合起来，提供一 ………………………………