近期，微软开源GraphRAG的新闻成为热门话题。GraphRAG (Graph-Augmented Retrieval-Augmented Generation) 是一种基于图的检索增强生成技术，结合了知识图谱和传统的检索增强生成（RAG）方法，旨在提升大语言模型处理私有数据集问答的能力。
本文从知识图谱的原理等角度，结合一个 GraphRAG 的生动类比，说明了为什么知识图谱+RAG 的方案优于传统的 RAG 方案。
以下为译文：
01
什么是知识图谱？
你是否曾觉得自己的大脑充斥了一团乱麻般的随机事实？知识图谱模拟了我们大脑思考事物，以及事物间关系的方式，同时又规避了大脑会遗忘和错误决策等问题。
我们可以将知识图谱视为带了主语、谓语和宾语的三元组。它们将信息表示为一个由相互连接的实体组成的网络，以及实体之间的关系。本质上，知识图谱利用基于图的数据模型，其中节点代表实体（如人、地点或概念的主体和宾语），边表示这些实体之间的关系或谓语。
OpenSPG 是一个语义增强的可编程知识图谱，GitHub地址如下，欢迎大家Star关注~
https://github.com/OpenSPG/openspg
换句话说，你可以把知识图谱看做是对经典"六度分隔"理论的数据层面的呈现，而且它不仅仅是将你连接到 Kevin Bacon，而是在一个广阔而多维的关系网络中链接所有可能的实体。
图片来源：Langchain
知识图谱的真正魔力在于其近乎超自然的连接数据能力，而且灵活且可扩展。知识图谱能无缝整合各种数据源，包括结构化和非结构化数据。这种融合创造出信息的统一视图，常常揭示出隐藏的联系和模式。先进的知识图谱融合了本体和语义 Schema，为领域中的概念及其相互关系提供了正式的定义。
这个语义层提升了图谱的逻辑推理能力，支持诸如传递闭包这样的操作，可以根据已有的关系推导出新的关系。例如，如果图谱中包含"约翰住在旧金山"和"旧金山在加利福尼亚"的信息，即使没有明说，知识图谱也能正确地推断出"约翰住在加利福尼亚"这个事实。
图片来源：Neo4j 博客
02
知识图谱的应用场景
那么知识图谱的应用场景有哪些呢？
我们可以通过延时、持久性和查询类型这三个维度的框架，去理解知识图谱在各种应用场景中的多样化。 在分析方面，知识图谱在处理即时查询和系统性分析方面表现出色，从实时的客户洞察到复杂的财务建模都能实现。
另外，知识图谱具有持久数据存储和快速检索的能力，这在复杂的推荐系统和以用户为中心的界面中至关重要。在算法方面，知识图谱非常擅长处理系统查询，尤其是高级自然语言处理和链路优化。这进一步佐证了我们之前提到的灵活性，即既能处理实时分析，又能支持持久的系统数据结构。
这也是为何去年年底知识图谱技术会这么流行的原因，也就引出了今天的话题——GraphRAG 才是王道！
03
什么是 GraphRAG？
今年 4 月，微软研究团队 GraphRAG 的论文一经发布，就得到了业界的关注。7 月初，Graph RAG 在 GitHub 上开源，短短半个月，star 数量就达到 12k！
那么，GraphRAG（GRAG）究竟是什么呢？下面我们将从 GraphRAG 的论文开始介绍：
图片来源：Arxiv，《GRAG: Graph Retrieval-Augmented Generation》
为了让你更容易理解，我和 Sonnet 3.5 一起头脑风暴讨论出了一个关于 GraphRAG 的形象解释：
GRAG 就像是信息世界中最优秀的城市规划师。传统的 RAG 方法就像游客随意向行人问路，而 GRAG 则是了解城市每个角落的市长。它不仅了解单个建筑（或信息片段），还能看到整个城市的全貌，牢记错综复杂的街道、街区和社区网络。这种鸟瞰式的视角让 GRAG 能够像一个熟知所有捷径的老司机一样，高效地在这些街道中穿梭。
图片来源：arXiv，《GRAG: Graph Retrieval-Augmented Generation》
GRAG 之所以引人注目，是因为它能够识别并探索任何给定问题的相关“街区”（子图）。利用其“软修剪”技术（主要针对无关信息），GRAG 可以清理这些邻域，去除杂乱无章的信息，突出最相关的特征。然后，通过同时运用城市规划语言（图结构）和地方方言（文本信息）的双重提示，GRAG 作出的回答不仅能捕捉事实，还能揭示城市景观的丰富背景和内在联系。这就好比从一位长期居住在本地的历史专家那里获取的内部信息，远胜于任何旅游指南所能提供的信息。
微软《From Local to Global》的论文，将其应用于聚焦查询的总结，用自然语言总结知识图谱的内容以便检索。沿用之前的类比，我们可以将 GraphRAG 看作是知识库（或城市）的高级城市规划和信息检索系统。这个系统的运行主要分为两个阶段：索引和检索。
在索引阶段，城市规划者（LLMs）首先将城市景观（原始文档）划分为可管理的区域（文本片段）。然后，他们调查每个区域，识别关键地标和连接（元素实例）——这就像标定重要的建筑物、公园以及连接它们的道路。这些个体元素随后被总结为简洁的描述（元素摘要），就像为每个社区地标创建简短的概况。
接着，利用先进的城市分析工具（如 Leiden 社区检测算法），规划者将这些元素分组为自然社区，就像在城市中识别出不同的街区或行政区一样。最后，他们为每个社区制作详细的“社区报告”（社区摘要），提供一个丰富、多层次的全城指南。通过索引阶段，我们就创建了一个全面、分层次的、从单个建筑到整个区域的城市景观理解。
图片来源：Arxiv，《From Local to Global: A Graph RAG Approach to Query-Focused Summarization》
当需要进行检索时，GraphRAG 在处理全局范围的查询时表现出色。它不会向随机位置派遣调查员，而是参考预先准备的社区报告。每个社区以其本地视角对全局问题作出贡献，就像城市规划师结合各个行政区的反馈来理解全市趋势一样。这种方法在处理“全局”问题时特别有效，给到答案的广度和多样性方面都优于传统方法。
论文中还提到了一个非常有趣的结论，文本块的大小至关重要。例如，使用 600 个 token 比使用 2400 个 token 可以获得更多的提取实体（见上图）。但这需要做一些平衡，因为文本块太小可能会导致上下文信息丢失。
正如我们之前多次讨论过的，在使用大模型时，我们总是要在成本、延迟、隐私和准确性之间进行平衡。图的性能伴随着更多的 token 数量和推理时间，因此采用与否在很大程度上取决于具体的应用场景，以及基于图的摘要是否是最优方案。
图片来源: Gradientflow 博客
04
关键区别：GraphRAG vs PAPTOR
这时可能有人会问，GraphRAG 与目前 RAG 技术中常用的 RAPTOR 有何不同。可以沿用之前的比喻概括一下，如果把 RAPTOR 看作是建筑师在设计一栋多层的高楼，从每一层楼向下看，都能看到城市的不同细节：
-
一楼有特定地点的详细信息；
-
随着楼层的上升，每层都提供一个更概括的视角，覆盖更大的区域；
-
顶层可以鸟瞰整个城市。
回答问题时，Raptor 会在这栋大楼中上下移动，根据需要从不同楼层收集信息。对于需要结合具体细节和宏观背景的复杂问题，它尤其有效。
图片来源：Arxiv，《RAPTOR: Recursive Abstractive Processing for Tree-Organized Retrieval》GraphRAG vs RAPTOR 的主要区别如下：
-
GraphRAG 侧重于城市不同部分之间的联系（实体之间的关系），而 Raptor 则按信息的抽象程度来组织信息；
-
GraphRAG 最适用于需要全面了解整个城市的问题，显示所有事物之间的相互关系。Raptor 则擅长处理需要将城市不同部分的具体细节拼凑在一起，同时保留更广泛背景的问题。
-
GraphRAG 的优势在于展示城市的多样性和相互关联性。Raptor 的优势在于能在详细信息和摘要信息之间有效切换。
如何系统的去学习大模型LLM ？
大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。
事实上，抢你饭碗的不是AI，而是会利用AI的人。
继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？
与其焦虑……
不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！
但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。
针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓
一、LLM大模型经典书籍
AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。
二、640套LLM大模型报告合集
这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)
三、LLM大模型系列视频教程
四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）
LLM大模型学习路线 ↓
阶段1：AI大模型时代的基础理解
-
目标：了解AI大模型的基本概念、发展历程和核心原理。
-
内容：
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践
- L1.5 GPT应用案例
阶段2：AI大模型API应用开发工程
-
目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
-
内容：
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例
- L2.2 Prompt框架
- L2.3 流水线工程
- L2.4 总结与展望
阶段3：AI大模型应用架构实践
-
目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
-
内容：
- L3.1 Agent模型框架
- L3.2 MetaGPT
- L3.3 ChatGLM
- L3.4 LLAMA
- L3.5 其他大模型介绍
阶段4：AI大模型私有化部署
-
目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。
-
内容：
- L4.1 模型私有化部署概述
- L4.2 模型私有化部署的关键技术
- L4.3 模型私有化部署的实施步骤
- L4.4 模型私有化部署的应用场景
这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓
452
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
