随着上半年微软开源了GraphRAG并带动了一拨产业rag小浪潮下,近期亚马逊也发布了一款面相企业级的领域rag框架:Meta Knowledge for Retrieval Augmented Large Language Models.
框架的核心亦是将重点放在了预处理+知识增强上,并且与GraphRAG所聚焦解决的方向都聚焦在复杂跨文档检索与推理增强。
从更本质上来看两者也都采用的是这种“时间”换“空间”的思路。
这里的“时间”代表着预加工处理过程,而换来的“空间”则是推理过程中复杂规划下空间探索与利用。
同时,也正如我之前关于GraphRAG的那篇笔记中所提及的那样:
“不管面对的是开放Gen任务还是领域Gen任务,对于LLM之下所采用的各种泛RAG增强技术来说,其本质貌似均可以看作是在学生预习或复习后在某种指引下step by step结构性符号化扩散提示或约束的推理生成过程(对于领域任务更多体现为约束)...”
不过对于不同领域,这种预习或复习过程中预先建立的知识结构和内涵,以及所包含推理过程中的增强提示形态也许在不同领域间差异会较大,如医疗、法律、金融...
因此将会带来的进一步挑战在于:我们是否能够在不同领域实现框架的统一,这也决定了企业市场ToB商业化的可行性或路径模式..比如我所服务的公司和aws与行业数据与知识isv所面对的方案与挑战将会十分的不同..
#人工智能 #AGI #LLM #RAG #rag #亚马逊 #AWS #微软 #GraphRAG #知识