最新开源震撼：微软GraphRAG技术深度解析

最新推荐文章于 2025-03-25 14:28:40 发布
最新推荐文章于 2025-03-25 14:28:40 发布
阅读量3.6k 收藏 49
点赞数 37
文章标签： 人工智能 AIGC 语言模型 AI编程 microsoft
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/xiaobing259/article/details/140244131
版权

目录

1、引言

在当今信息爆炸的时代，人工智能（AI）正迅速成为处理和理解海量数据的中坚力量。作为AI领域的关键技术之一，大型语言模型（LLM）在自然语言处理（NLP）方面取得了显著成就。然而，面对复杂和多样化的私有数据集，如何提升LLM的理解和推理能力，成为了技术发展的一个重要课题。

2024年7月2日，微软开源了GraphRAG技术，这一举措不仅为AI领域带来了创新的解决方案，也为开发者社区注入了新的活力。GraphRAG，即基于图的检索增强生成（Graph-based Retrieval-Augmented Generation），是一种革命性的技术，它通过结合知识图谱和图机器学习，显著提升了LLM在处理私有数据时的性能。
在这里插入图片描述

GraphRAG的开源，是微软对AI技术共享精神的又一次体现。它不仅推动了技术的创新和普及，也为全球的开发者和研究者提供了一个探索和实验的新平台。随着GraphRAG技术的不断发展和完善，我们有理由相信它将在智能问答、数据摘要、知识推理等多个领域发挥重要作用。

2、GraphRAG概览

2.1 技术定义

GraphRAG代表了一种技术革新，它通过结合检索增强生成（RAG）技术和知识图谱，为大模型提供了一种全新的数据理解和生成能力。与传统的RAG技术相比，GraphRAG通过构建基于图的数据结构，使得模型能够更深入地挖掘数据间的复杂关系和交互，从而在问答、摘要和推理任务中表现出更优的性能。
在这里插入图片描述

2.2 技术核心

GraphRAG技术的核心在于其能够将非结构化的文本数据转换为结构化的图谱形式。在这个过程中，文本中的每个实体和概念都被视为图中的节点，而它们之间的关系则构成了节点之间的边。这种方法不仅增强了模型对数据的理解能力，也为模型提供了更丰富的信息检索和推理路径。

2.3 开源影响

微软开源GraphRAG的决定对整个AI社区产生了深远的影响。开源意味着技术的透明度和可访问性的提升，它鼓励全球的开发者和研究者共同参与到技术的发展和完善中来。此外，开源还促进了技术的快速迭代和创新，为AI领域带来了更多的合作机会和应用场景。

2.4 社区反响

自GraphRAG开源以来，它已经迅速获得了技术社区的广泛关注和积极响应。开发者们对这项技术表现出了浓厚的兴趣，他们在GitHub上积极地star和fork项目，参与到讨论和贡献中。GraphRAG的开源地址已成为了一个充满活力的交流平台，汇聚了来自世界各地的开发者的智慧和创意。

3、技术架构与原理

3.1 架构组成

GraphRAG的架构是一个多层次、模块化的设计，主要包括以下几个关键部分：

  • 数据预处理：将原始文本数据清洗、分词，并转化为模型可理解的格式。
  • 实体识别与链接：使用自然语言处理技术从文本中识别出关键实体，并在知识图谱中进行链接或创建新节点。
  • 关系抽取：确定文本中实体间的关系，并将这些关系作为边添加到图中。
  • 知识图谱构建：将提取的实体和关系整合，形成一个互联的图结构，这是GraphRAG进行后续操作的基础。
  • 社区检测：在知识图谱中识别高度相关的节点群体，形成社区结构，以便于集中分析和处理。
  • 查询处理与答案生成：接收用户查询，通过图谱检索相关信息，并生成准确、全面的答案。

3.2 知识图谱的构建

知识图谱的构建是GraphRAG技术的核心。这一过程涉及以下几个步骤：

  1. 文本分析：使用大型语言模型对输入的文本进行深入分析，识别关键信息。
  2. 实体抽取：从文本中抽取出人名、地点、机构等实体。
  3. 关系识别：确定实体间的关系，如“位于”、“属于”等。
  4. 图谱更新：将抽取的实体和关系更新到知识图谱中，形成完整的图结构。

3.3 社区检测与信息摘要

在知识图谱构建完成后，GraphRAG进一步执行以下操作：

  1. 社区检测：应用图算法识别图中的社区结构，这些社区代表了文本中的主题或概念群。
  2. 信息摘要：为每个社区生成摘要，这些摘要概括了社区内的关键信息和关系。

在这里插入图片描述

4、功能特点与优势

4.1 功能特性

GraphRAG的功能特性是其技术创新的具体体现，主要包括以下几个方面：

  • 多维度问答能力：GraphRAG能够理解并回答涉及复杂关系和多步骤推理的问题。
  • 自动知识图谱更新：随着新数据的输入，GraphRAG能够自动更新知识图谱，保持信息的时效性。
  • 跨领域信息整合：能够处理跨领域的数据集，整合不同来源和类型的信息。
  • 高效的信息检索：通过社区检测算法，GraphRAG能够快速定位到相关信息，提高检索效率。
  • 定制化摘要生成：根据不同的查询需求，GraphRAG能够生成定制化的信息摘要。

4.2 技术优势分析

GraphRAG的技术优势是其在多个方面超越传统技术的体现：

  • 全面性：GraphRAG能够提供全面的答案，不仅仅局限于局部文本片段。
  • 多样性：通过图谱结构，GraphRAG能够从不同角度和社区中提取信息，生成多样化的摘要。
  • 赋权性：GraphRAG增强了模型对数据集结构的理解，使得生成的答案更加权威和准确。
  • 资源优化：与传统的全文摘要方法相比，GraphRAG在生成高质量摘要的同时，显著降低了对计算资源的需求。

4.3 应用潜力

GraphRAG的应用潜力巨大，它不仅可以作为独立的问答系统，还可以集成到现有的AI平台中，提升其数据处理和分析能力。以下是GraphRAG应用潜力的几个方面：

  • 企业决策支持：在企业中，GraphRAG可以帮助分析市场趋势、客户反馈和内部报告，为决策提供数据支持。
  • 学术研究：在学术领域，GraphRAG可以辅助研究人员快速获取文献中的深层信息，促进知识发现。
  • 内容创作：在媒体和出版行业，GraphRAG可以用于自动化内容创作，如新闻摘要、故事生成等。

5、应用场景探索

5.1 私有数据分析

GraphRAG技术在私有数据分析方面展现出了巨大潜力。企业可以利用GraphRAG从内部数据中提取深层洞见，这些数据可能包括客户互动记录、市场研究报告、产品使用数据等。GraphRAG能够帮助企业快速识别关键信息，构建知识图谱，并提供决策支持。

  • 市场分析：通过分析社交媒体和客户反馈，GraphRAG能够识别市场趋势和消费者需求。
  • 风险管理：在金融领域，GraphRAG能够分析交易模式和市场动态，帮助识别潜在风险。

5.2 新闻媒体与内容创作

在新闻媒体行业，GraphRAG的应用可以极大地提高新闻报道的深度和广度。它能够快速从大量文本中提取关键信息，生成新闻摘要，甚至对事件进行深入分析和报道。

  • 快速报道：在突发事件报道中，GraphRAG能够迅速整合信息，提供实时更新。
  • 深度分析：对复杂事件进行多角度分析，提供全面的背景信息和深入见解。

5.3 学术研究与知识发现

GraphRAG在学术研究中的应用可以加速知识的发现和传播。研究人员可以利用GraphRAG来分析文献，识别研究趋势，甚至发现新的研究方向。

  • 文献综述：自动生成文献综述，为研究人员提供研究领域的宏观视角。
  • 交叉学科研究：通过整合不同学科的知识图谱，促进交叉学科的创新。

5.4 医疗健康信息管理

在医疗健康领域，GraphRAG可以帮助整合和分析病历记录、医学研究和治疗指南，为医生提供诊断支持和个性化治疗建议。

  • 病例分析：通过分析病历，GraphRAG能够辅助医生快速理解病情发展和治疗历史。
  • 药物研发：整合生物医学数据，加速新药的研发过程。

5.5 智能教育与个性化学习

GraphRAG在教育领域的应用可以提供个性化的学习体验。通过分析学生的学习历史和偏好，GraphRAG能够推荐适合的学习材料和课程。

  • 个性化推荐：根据学生的学习进度和兴趣，提供定制化的学习资源。
  • 知识评估：评估学生对特定主题的掌握程度，提供针对性的辅导。

6、探索与学习资源

微软官方提供了详尽的GraphRAG文档和GitHub仓库，这是学习GraphRAG的首要资源。在这里，你可以找到安装指南、快速入门教程、API文档以及贡献指南。

# 受 MIT 许可证许可。
import os

import pandas as pd
import tiktoken

# 从 graphrag 包中导入所需的模块和类
from graphrag.query.context_builder.entity_extraction import EntityVectorStoreKey
from graphrag.query.indexer_adapters import (
    read_indexer_covariates,
    read_indexer_entities,
    read_indexer_relationships,
    read_indexer_reports,
    read_indexer_text_units,
)
from graphrag.query.input.loaders.dfs import (
    store_entity_semantic_embeddings,
)
from graphrag.query.llm.oai.chat_openai import ChatOpenAI
from graphrag.query.llm.oai.embedding import OpenAIEmbedding
from graphrag.query.llm.oai.typing import OpenaiApiType
from graphrag.query.question_gen.local_gen import LocalQuestionGen
from graphrag.query.structured_search.local_search.mixed_context import (
    LocalSearchMixedContext,
)
from graphrag.query.structured_search.local_search.search import LocalSearch
from graphrag.vector_stores.lancedb import LanceDBVectorStore

# 本地搜索示例
# 本地搜索方法通过结合AI提取的知识图谱中的相关数据与原始文档的文本块来生成答案。
# 这种方法适用于需要理解文档中提到的特定实体的问题（例如，甘菊的治愈属性是什么？）。

# 加载文本单元和图数据表作为本地搜索的上下文
# 在此测试中，我们首先将parquet文件中的索引输出加载到数据框中，然后将这些数据框转换为与知识模型对齐的数据对象集合。

# 输入目录和Lancedb的URI
INPUT_DIR = "./inputs/operation dulce"
LANCEDB_URI = f"{INPUT_DIR}/lancedb"

# 定义数据表名称
COMMUNITY_REPORT_TABLE = "create_final_community_reports"
ENTITY_TABLE = "create_final_nodes"
ENTITY_EMBEDDING_TABLE = "create_final_entities"
RELATIONSHIP_TABLE = "create_final_relationships"
COVARIATE_TABLE = "create_final_covariates"
TEXT_UNIT_TABLE = "create_final_text_units"
COMMUNITY_LEVEL = 2

# 读取实体
# 读取节点表以获取社区和度数数据
entity_df = pd.read_parquet(f"{INPUT_DIR}/{ENTITY_TABLE}.parquet")
entity_embedding_df = pd.read_parquet(f"{INPUT_DIR}/{ENTITY_EMBEDDING_TABLE}.parquet")

entities = read_indexer_entities(entity_df, entity_embedding_df, COMMUNITY_LEVEL)

# 加载描述嵌入到内存中的lancedb向量存储中
# 要连接到远程数据库，请指定url和端口值。
description_embedding_store = LanceDBVectorStore(
    collection_name="entity_description_embeddings",
)
description_embedding_store.connect(db_uri=LANCEDB_URI)
entity_description_embeddings = store_entity_semantic_embeddings(
    entities=entities, vectorstore=description_embedding_store
)

print(f"实体数量: {len(entity_df)}")
entity_df.head()

# 读取关系
relationship_df = pd.read_parquet(f"{INPUT_DIR}/{RELATIONSHIP_TABLE}.parquet")
relationships = read_indexer_relationships(relationship_df)

print(f"关系数量: {len(relationship_df)}")
relationship_df.head()

covariate_df = pd.read_parquet(f"{INPUT_DIR}/{COVARIATE_TABLE}.parquet")

claims = read_indexer_covariates(covariate_df)

print(f"声明记录数: {len(claims)}")
covariates = {"claims": claims}

# 读取社区报告
report_df = pd.read_parquet(f"{INPUT_DIR}/{COMMUNITY_REPORT_TABLE}.parquet")
reports = read_indexer_reports(report_df, entity_df, COMMUNITY_LEVEL)

print(f"报告记录数: {len(report_df)}")
report_df.head()

# 读取文本单元
text_unit_df = pd.read_parquet(f"{INPUT_DIR}/{TEXT_UNIT_TABLE}.parquet")
text_units = read_indexer_text_units(text_unit_df)

print(f"文本单元记录数: {len(text_unit_df)}")
text_unit_df.head()

# 从环境变量中获取API密钥、LLM模型和嵌入模型
api_key = os.environ["GRAPHRAG_API_KEY"]
llm_model = os.environ["GRAPHRAG_LLM_MODEL"]
embedding_model = os.environ["GRAPHRAG_EMBEDDING_MODEL"]

# 初始化ChatOpenAI实例
llm = ChatOpenAI(
    api_key=api_key,
    model=llm_model,
    api_type=OpenaiApiType.OpenAI,  # OpenaiApiType.OpenAI 或 OpenaiApiType.AzureOpenAI
    max_retries=20,
)

# 初始化文本编码器
token_encoder = tiktoken.get_encoding("cl100k_base")

# 初始化OpenAIEmbedding实例
text_embedder = OpenAIEmbedding(
    api_key=api_key,
    api_base=None,
    api_type=OpenaiApiType.OpenAI,
    model=embedding_model,
    deployment_name=embedding_model,
    max_retries=20,
)

# 创建本地搜索上下文构建器
context_builder = LocalSearchMixedContext(
    community_reports=reports,
    text_units=text_units,
    entities=entities,
    relationships=relationships,
    covariates=covariates,
    entity_text_embeddings=description_embedding_store,
    embedding_vectorstore_key=EntityVectorStoreKey.ID,  # 如果向量存储使用实体标题作为ID，则将其设置为EntityVectorStoreKey.TITLE
    text_embedder=text_embedder,
    token_encoder=token_encoder,
)

# 创建本地搜索引擎
# text_unit_prop: 专用于相关文本单元的上下文窗口比例
# community_prop: 专用于社区报告的上下文窗口比例。
# 其余比例专用于实体和关系。text_unit_prop 和 community_prop 的总和应 <= 1
# conversation_history_max_turns: 要包含在对话历史中的最多轮次数。
# conversation_history_user_turns_only: 如果为True，则只包含用户查询在对话历史中。
# top_k_mapped_entities: 从实体描述嵌入存储中检索的相关实体数量。
# top_k_relationships: 控制要拉入上下文窗口的网络外关系的数量。
# include_entity_rank: 如果为True，则在上下文窗口中包含实体表中的实体排名。默认实体排名 = 节点度数。
# include_relationship_weight: 如果为True，则在上下文窗口中包含关系权重。
# include_community_rank: 如果为True，则在上下文窗口中包含社区排名。
# return_candidate_context: 如果为True，则返回一组包含所有候选实体/关系/协变量记录的数据框，
# 这些记录可能相关。注意，并非所有这些记录都会被包含在上下文窗口中。这些数据框中的"in_context"列指示记录是否包含在上下文窗口中。
# max_tokens: 上下文窗口使用的最大令牌数。

local_context_params = {
    "text_unit_prop": 0.5,
    "community_prop": 0.1,
    "conversation_history_max_turns": 5,
    "conversation_history_user_turns_only": True,
    "top_k_mapped_entities": 10,
    "top_k_relationships": 10,
    "include_entity_rank": True,
    "include_relationship_weight": True,
    "include_community_rank": False,
    "return_candidate_context": False,
    "embedding_vectorstore_key": EntityVectorStoreKey.ID,  # 如果向量存储使用实体标题作为ID，则将其设置为EntityVectorStoreKey.TITLE
    "max_tokens": 12_000,  # 根据您在模型上的令牌限制更改此值（如果您使用的是8k限制的模型，一个良好的设置可能是5000）
}

llm_params = {
    "max_tokens": 2_000,  # 根据您在模型上的令牌限制更改此值（如果您使用的是8k限制的模型，一个良好的设置可能是1000-1500）
    "temperature": 0.0,
}

search_engine = LocalSearch(
    llm=llm,
    context_builder=context_builder,
    token_encoder=token_encoder,
    llm_params=llm_params,
    context_builder_params=local_context_params,
    response_type="多段文本",  # 描述响应类型和格式的自由形式文本，可以是任何内容，例如优先级列表、单段文本、多段文本、多页报告
)

# 在示例查询上运行本地搜索
result = await search_engine.asearch("告诉我关于Agent Mercer的信息")
print(result.response)

question = "告诉我关于Dr. Jordan Hayes的信息"
result = await search_engine.asearch(question)
print(result.response)

# 检查用于生成响应的上下文数据
result.context_data["entities"].head()
result.context_data["relationships"].head()
result.context_data["reports"].head()
result.context_data["sources"].head()
if "claims" in result.context_data:
    print(result.context_data["claims"].head())

# 问题生成
# 下面的部分是问题生成功能的实现，它接收用户查询列表并生成下一个候选问题。
# LocalQuestionGen 类负责生成问题，它使用与搜索相同的底层模型和上下文构建器。

question_generator = LocalQuestionGen(
    llm=llm,
    context_builder=context_builder,
    token_encoder=token_encoder,
    llm_params=llm_params,
    context_builder_params=local_context_params,  # 这里缺少了参数的定义，应从前面代码中获取
)

# 定义一个用户查询的历史列表
question_history = [
    "告诉我关于Agent Mercer的信息",
    "Dulce军事基地发生了什么？",
]

# 使用问题生成器来生成候选问题
# agenerate 方法接收问题历史、上下文数据和所需生成的问题数量
candidate_questions = await question_generator.agenerate(
    question_history=question_history, 
    context_data=None,  # 这里传入None，实际使用时可以传入相关上下文数据
    question_count=5
)

# 打印生成的候选问题
print(candidate_questions.response)

7、GraphRAG的未来展望

随着人工智能技术的不断进步，GraphRAG的未来充满了无限可能。以下是一些可能的发展方向：

7.1 多模态数据处理

未来GraphRAG可能会集成多模态数据处理能力，结合文本、图像、声音等多种数据类型，提供更丰富的信息分析和生成能力。

7.2 增强的个性化服务

GraphRAG在个性化服务方面具有巨大潜力，未来可能会根据用户的行为和偏好提供更加定制化的信息和服务。

7.3 跨领域知识融合

GraphRAG可能会进一步发展其跨领域知识融合的能力，连接不同领域的知识图谱，促进跨学科的创新和发现。

7.4 可解释性和透明度

随着对模型可解释性需求的增加，GraphRAG的未来发展可能会更加注重其决策过程的透明度和可解释性。

8、结语

GraphRAG作为微软开源的一项重要技术成果，已经在AI领域引起了广泛关注。它不仅为开发者和企业提供了新的工具和思路，也为AI技术的发展开辟了新的道路。本文通过介绍GraphRAG的技术原理、应用场景以及学习资源，希望能够激发读者对这项技术的兴趣，并鼓励大家参与到GraphRAG的学习和实践中来。

随着技术的不断发展，我们期待GraphRAG能够在未来发挥更大的作用，推动人工智能技术的进一步发展。让我们一起期待并见证GraphRAG在未来AI领域的无限可能。

9、参考资料与链接

为了帮助大家进一步探索GraphRAG技术，以下是一些有用的参考资料和链接：

在这里插入图片描述

🎯🔖更多专栏系列文章：AI大模型提示工程完全指南、AI大模型探索之路（零基础入门）、AI大模型预训练微调进阶、AI大模型开源精选实践、AI大模型RAG应用探索实践🔥🔥🔥 其他专栏可以查看博客主页📑

😎 作者介绍：我是寻道AI小兵，资深程序老猿，从业10年+、互联网系统架构师，目前专注于AIGC的探索。
📖 技术交流：欢迎关注【小兵的AI视界】公众号或扫描下方👇二维码，加入技术交流群，开启编程探索之旅。
💘精心准备📚500本编程经典书籍、💎AI专业教程，以及高效AI工具。等你加入，与我们一同成长，共铸辉煌未来。
如果文章内容对您有所触动，别忘了点赞、⭐关注，收藏！加入我，让我们携手同行AI的探索之旅，一起开启智能时代的大门！

微软的GraphRAG：智能问答系统的革命
强化学习曾小健
04-15 1760
通过将AI生成的知识图与私人数据集集成，GraphRAG承诺通过专注于上下文相关性的重要性来提高响应的准确性，这是长期困扰研究人员和用户的挑战。这种方法上的创新意味着与传统RAG系统的分道扬镳，后者通常依赖于固定的文件或数据源，限制了它们适应新问题或复杂问题的能力。面对跨多个领域的复杂问题或需要精细化理解的情况，这些系统常常出现问题，提供的答案虽然在技术上是正确的，却错失了被问到的问题的本质。随着这项技术的发展，类人理解和AI之间的界限可能会变得模糊，重新定义我们与技术以及推动我们世界的信息之间的关系。
微软多部门联合推出GraphRAG项目：全面性和多样性方面显著优于原生大模型RAG
强化学习曾小健
04-26 2504
传统的RAG方法适用于局部文本检索任务，但。
微软重磅开源 GraphRAG：新一代 RAG 技术来了！
musicml的博客
07-07 9183
▼最近直播超级多，预约保你有收获今晚直播：《RAG/Dify 构建企业案例实战》—1—为什么需要 GraphRAG？7月3日，微软重磅开源了基于图的 RAG -- GraphRAG。在 GitHub 上发布后，短短4天时间，该项目迅速获得了 6000 Stars！足见这个项目的热度！Github 地址：https://github.com/microsoft/graphrag强化主流大模型，比...
一文看懂GraphRAG与传统RAG的7大区别及融合方案，你会怎么选择？
最新发布
bugyinyin的博客
03-25 1189
GraphRAG是一种基于知识图谱的检索增强生成（RAG）应用，不同于传统基于向量检索的RAG应用，其允许进行更深层、更细致与上下文感知的检索，从而帮助获得更高质量的输出。 那么什么时候应该使用GraphRAG，而什么时候又应该回归传统的RAG？二者能组合应用吗？本文将对此进行探讨：
下一代 RAG 技术来了！微软正式开源 GraphRAG
stephen147的博客
07-08 7565
7 月 2 日，微软开源了 GraphRAG，一种基于图的检索增强生成 (RAG) 方法，可以对私有或以前未见过的数据集进行问答。在 GitHub 上推出后，该项目快速获得了 2700 颗 star！开源地址：https://github.com/microsoft/graphrag通过 LLM 构建知识图谱结合图机器学习，GraphRAG 极大增强 LLM 在处理私有数据时的性能，同时具备连点成线的跨大型数据集的复杂语义问题推理能力。
源码解读 - 微软GraphRAG框架
stephen147的博客
07-09 2551
这几天微软开源了一个新的基于知识图谱构建的检索增强生成（RAG）系统, GraphRAG, 该框架旨在利用大型语言模型（LLMs）从非结构化文本中提取结构化数据, 构建具有标签的知识图谱，以支持数据集问题生成、摘要问答等多种应用场景。 GraphRAG 的一大特色是利用图机器学习算法针对数据集进行语义聚合和层次化分析，因而可以回答一些相对高层级的抽象或总结性问题, 这一点恰好是常规 RAG 系统的短板。 说实话之前一直有在关注这个框架, 所以这两天花了点时间研究了一下源码, 结合之前的一些技术文档，本文主要
重磅 - 微软官宣正式在GitHub开源GraphRAG
m0_59235699的博客
08-21 1459
在最近的预印本https://www.microsoft.com/en-us/research/publication/from-local-to-global-a-graph-rag-approach-to-query-focused-summarization/ 中，我们探讨了这些社区摘要如何帮助回答全局性问题，这些问题涉及整个数据集而不是专注于特定的文本块，天真的基于向量搜索的RAG方法存在局限性。例如，考虑问题“数据集中的主题是什么？
SweepRobot开源项目：扫地机器人的代码解析
4. 系统开源:系统开源指的是操作系统或者应用程序的源代码对外公开。在这种模式下，开发者可以自由地访问代码、修改和再发布，这有利于错误的发现和修正，同时促进了技术的快速迭代和创新。 5. 项目结构: ...
STM32智能小车开源项目：巡线与遥控功能解析
在详细解读给定文件信息时，首先要注意到标题“STM32智能小车开源代码”，它表明这个项目是一个开源的智能小车控制系统，使用的是STM32微控制器。STM32是由STMicroelectronics（意法半导体）生产的一系列32位ARM ...
古思为：GraphRAG进展分享.pdf
12-17
GraphRAG方法通过结合图结构数据和先进的检索增强生成技术，提供了对知识的精细化检索，尤其是在处理知识图谱时，它能有效地解决多种检索挑战，如信息的细粒度检索、全局上下文的保留和精准的相关性评估。这种技术的...
开源协议深度解析：理解MIT、GPL、Apache等常见许可证
cooldream2009的博客
02-16 2781
随着开源软件的普及，开发者们越来越多地参与到全球开源社区中，分享自己的代码、工具和创意。对于开发者和使用者而言，选择合适的开源许可证至关重要。开源协议不仅规定了使用和分发软件的规则，还关系到版权归属、专利权利、责任限制等多方面内容。本文将详细解析MIT、GPL、Apache、BSD等常见的开源协议，帮助大家理解这些协议的不同特点和使用场景。
OSTRACKER开源项目：恋物癖网站功能与架构解析
综上所述，OSTRACKER项目作为一个开源的专门于恋物癖社区的网站，其设计和开发涉及到众多IT领域的知识点，包括开源软件开发、Web开发、社交网络构建、内容管理系统、用户体验设计、技术栈选择、安全隐私保护、社区...
下一代 RAG 技术来了！微软正式开源 GraphRAG：大模型行业将迎来新的升级？
DEVELOPERAA的博客
08-13 1505
7 月 2 日，微软开源了 GraphRAG，一种基于图的检索增强生成 (RAG) 方法，可以对私有或以前未见过的数据集进行问答。在 GitHub 上推出后，该项目快速获得了 2700 颗 star！
微软GraphRAG框架源码解读（LLMs）
瓦罗兰特顶级C位的博客
07-22 2190
这几天微软开源了一个新的基于知识图谱构建的检索增强生成（RAG）系统：GraphRAG。该框架旨在利用大型语言模型（LLMs）从非结构化文本中提取结构化数据，构建具有标签的知识图谱，以支持数据集问题生成、摘要问答等多种应用场景。GraphRAG的一大特色是利用图机器学习算法针对数据集进行语义聚合和层次化分析，因而可以回答一些相对高层级的抽象或总结性问题，这一点恰好是常规RAG系统的短板。 说实话之前一直有在关注这个框架，所以这两天花了点时间研究了一下源码，结合之前的一些技术文档，本文主要是记录GraphRA
微软开源GraphRAG的使用教程（最全，非常详细）
热门推荐
科研探索ing！研究方向：人工智能及优化
07-17 4万+
目前微软已经开源了GraphRAG的完整项目代码。对于某一些LLM的下游任务则可以使用GraphRAG去增强自己业务的RAG的表现。项目给出了两种使用方式： 1. 在打包好的项目状态下运行，可进行尝试使用。 2. 在源码基础上运行，适合为了下游任务的微调时使用。
实战微软新一代RAG：GraphRAG强大的全局理解能力，碾压朴素RAG？
Python_cocola的博客
07-08 4334
大语言模型（LLM）是在大量数据上训练，但他们并不是在我们私有数据上训练，因此要想让LLM能够回答我们私有数据集上的问题，我们就得使用一种叫做检索增强生成（RAG）的技术。它的基本原理是加载我们的文档，然后将每个文档按照一定的规则，比如Token数量、字符数量、语义和层次分割等，将每个文档拆分为一个一个小片段（chunk）。然后使用嵌入技术对这些chunk生成embeding，存储到高维向量数据库中，生成索引Index。
微软GraphRAG框架演进之路及带来的一些思考
m0_59164520的博客
11-27 1377
本文主要回顾了Graphrag(ms版本)的路程：GraphRAG第一版本2024年4月份，主打global/local search；2024年11月初，搜索优化引入Drift_search动态搜索（https://microsoft.github.io/graphrag/query/drift_search)；
一文学懂【微软开源GraphRag】项目
kiingking的博客
07-11 1890
GraphRAG 是微软开源的一个项目，它的名字里包含了它的主要功能——利用图（Graph）来增强检索（Retrieval）和生成（Generation）的能力。
微软GraphRAG原理介绍（附带部分源码）
luxinfeng的博客
07-15 5578
这篇文章主要介绍了微软开源的GraphRAG的数据构建原理和查询检索原理
评论 20
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

寻道AI小兵

🐳 感谢你的巨浪支持！

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值