GraphRAG est une méthode qui combine les graphes de connaissances avec la génération augmentée par récupération. Il extrait d’abord des entités, des relations et des événements d’un ensemble de documents pour former des graphes reliables, puis génère des résumés par communauté et hiérarchie au sein du graphe. Face à des questions inter-documents telles que « Quels sont les principaux sujets de l’ensemble de la base de données, et comment différentes organisations se rapportent ? », il est plus facile de voir la structure globale que le RAG traditionnel, qui ne trouve que quelques blocs de texte similaires.
Quels problèmes les RAG traditionnels sont-ils sujets à manquer ?
Le RAG ordinaire convertit les requêtes en vecteurs, rappelle les fragments les plus similaires, puis les transmet au modèle pour obtenir des réponses. C’est idéal pour clarifier des faits, tels que la date de résiliation d’un contrat ; Mais les preuves des problèmes mondiaux peuvent être dispersées sur des dizaines de documents, sans qu’aucun fragment ne soit vraiment proche du problème. Ne prendre que quelques extraits de haut niveau peut facilement confondre un contenu localisé et à haute fréquence avec la conclusion générale.
Le processus d’indexation typique de GraphRAG est plus lourd :
- Divisez le document original et extrayez les personnes, les institutions, les lieux, les concepts et leurs relations.
- Organiser les entités et les relations en graphes, et identifier des groupes étroitement liés par la découverte communautaire.
- Des résumés sont préparés pour les communautés à différents niveaux, préservant les faits locaux et les thèmes mondiaux.
- Sélectionnez les entités, communautés ou résumés pertinents lors de la requête, puis résumez-les en une réponse finale.
Il ne s’agit pas d’éliminer la récupération vectorielle, mais plutôt d’ajouter des perspectives relationnelles et hiérarchiques au rappel traditionnel de fragments RAG.
Quand est-ce que ça vaut la peine de payer le coût de la cartographie ?
Les collections de documents telles que les dossiers de politiques, les documents de recherche, les entretiens clients et les rapports d’enquête incluent souvent des relations inter-documents, des évolutions thématiques et des schémas de groupe, ce qui les rend adaptées à une synthèse mondiale avec GraphRAG. Si les utilisateurs ne posent que des questions sur les paramètres individuels du produit, les termes précis ou les derniers enregistrements, les recherches classiques par mots-clés et vecteurs sont généralement plus directes et moins coûteuses.
La qualité du spectre dépend de la désambiguïsation des entités et de l’extraction de relations. Si les personnes portant le même nom ne sont pas fusionnées, si la même institution est divisée en plusieurs nœuds, ou si le modèle fabrique des relations, les résumés communautaires ultérieurs amplifieront les erreurs. Les index nécessitent également des processus supplémentaires d’appel, de stockage et de mise à jour de modèles ; Lorsque les documents changent fréquemment, redessiner peut devenir un coût majeur.
Elle ne peut pas non plus remplacer les preuves textuelles originales
Un résumé communautaire est une compression des données, pas des faits originaux eux-mêmes. Les systèmes fiables devraient conserver le mappage source des nœuds aux fragments de documents, permettant aux utilisateurs de vérifier le texte original ; Pour les chiffres, les dates et les jugements de conformité, la priorité doit également être donnée à la récupération de fragments précis.
Le critère pour choisir GraphRAG n’est pas « le graphique semble plus avancé », mais de savoir si les relations inter-documents et les sujets globaux sont réellement nécessaires. D’abord, des questions représentatives ont été utilisées pour comparer la couverture, la traçabilité des preuves, le coût d’indexation et le temps de mise à jour entre le RAG traditionnel et le GraphRAG, puis une décision a été prise quant à l’introduction d’un pipeline complexe.
