我们正在自己的垂类场景做尝试

学了，强行summary一下：
原来基于Embedding的RAG存在无可解释性、可追溯性、向量之间没有联系导致准确度不高，会导致应用落地的过程中因为回答置信度不高导致根本无法推广。
几乎所有要挂外部知识库的行业都会深受其害，比如客服、法律、医疗、企业等。

业界提出的解法方向之一就是引入知识图谱（另一派相信Scaling law，但现在应该人越来越少了），这篇相当于实践指南，同时告诉大家伙：可行！有希望！

但也有很多困难，比如创建一个可靠的知识图谱本来也不是容易的事，并且知识图谱的维护和迭代也非常耗费资源。还有Token计算量变大，对LLM的响应速度也会有挑战。

期待大公司的技术普惠和落地实践。

补充：“这篇文章”指的是GraphRAG。如果你总结的是楼主那篇博客，就当我上面那个没说🌞

这篇文章主要还是解决总结性的问题以前的RAG回答不好，毕竟以前的RAG只能召回有限的片段。跟你前面提到的问题关系感觉不大。这篇文章最后引入知识图谱主要也是去概括总结数据。

最近真的是 Graph 进入大家视野了， 今天 LlamaIndex 跟 NebulaGraph 完成了集成   大家也可以关注下https://docs.llamaindex.ai/en/stable/examples/property_graph/property_graph_nebula/
毕竟是咱国内的开源大户～

docs.llamaindex.ai

Graph在更广泛的AI定义下有它不可忽视的作用，明确的数据关联，更深的推理，高可解释性等等。在实际的建设中会形成：预测AI ，生成AI ，符号AI(图) 相互支持的实践。 在TigerGraph和NebulaGraph创业的6年，图技术一直是不温不火，虽然GNN也很有用，但也基本是圈子内自嗨。终于等到这个技术被带出圈儿了。

微软前几天发布的 GraphRAG 架构非常厉害，但是具体的原理和内容可能不太好理解。

Neo4j 的 CTO 写了一篇详细的文章《GraphRAG 宣言：为 GenAI 增加知识》。

通俗易懂的介绍了 GraphRAG 的原理、与传统 RAG 的区别、GraphRAG的优势、知识图谱的创建和利用知识图谱工作。

感兴趣的话强烈推荐看看。

文章地址：https://neo4j.com/blog/graphrag-manifesto/

产品设计师、模型设计师、 不会代码的独立开发者。  关注人工智能、LLM 、 Stable Diffusion 和设计。

来自圈子

AI探索站