← Каталог

· AI Engineer World's Fair 2025

Агентный GraphRAG: логическое преимущество ИИ

Agentic GraphRAG: AI’s Logical Edge

Граф знаний, найденный векторным поиском и затем обойдённый по связям, по словам спикера, даёт ответы точнее и реже с галлюцинациями, чем простой векторный RAG.

  • Два этапа поиска — запрос превращается в embeddings, находит ближайший узел графа (например, emphysema), а из него подтягиваются связанные диагнозы и состояния. Векторный поиск находит похожее, но не связанное, а граф добавляет недостающие связи.
  • Порядок в контексте — по словам спикера, LLM на длинном контексте используют в основном начало, поэтому пре- и постфильтрация векторных результатов поднимает релевантные фрагменты наверх, даже при больших context window.
  • Klarna — по словам спикера, компания заменила свои SaaS-системы GraphRAG-проектом: корпоративная wiki, HR-системы и внутренняя документация дали 250 тысяч вопросов сотрудников за первый год, 2000 запросов в день и 85% принятия среди сотрудников.

Кому полезно: тем, кто строит RAG над корпоративными знаниями, где структурированные и неструктурированные данные лежат вместе.

Статья по теме

На какие вопросы отвечает доклад

  • Как подключить граф-базу к агентам через MCP?

    Граф-база работает как система записи за MCP-сервером: он генерирует Cypher-запросы из вопросов, даёт модуль памяти для агентов и MCP поверх облачного API для управления базами. По словам спикера, серверы открыты.

    ▶ 3:40Оркестрация агентов, MCP и инструменты Neo4j Cypher
  • Почему обычный RAG на векторном поиске даёт неполные ответы?

    Векторная похожесть не равна релевантности. Поиск находит ближайшие узлы, а по связям графа подтягиваются связанные диагнозы и состояния, что, по словам спикера, снижает галлюцинации.

    ▶ 5:44LangGraph, графовая память и гибридный retrieval
  • Почему генерация Cypher-запросов через LLM иногда работает плохо?

    По словам спикера, LLM не всегда пишут Cypher с нужной точностью. Он предлагает сначала делать векторный поиск, находить узлы графа по эмбеддингам и брать из графа связанный контекст.

    ▶ 5:44LangGraph, графовая память и гибридный retrieval
  • Почему LLM игнорируют середину длинного контекста и что с этим делать?

    По словам спикера, evals показывают, что модели почти не используют большую часть длинного контекста и смотрят на его начало. Он предлагает фильтровать результаты векторного поиска и поднимать релевантные фрагменты в начало контекстного окна.

    ▶ 5:44LangGraph, графовая память и гибридный retrieval
  • Как внедрить GraphRAG для корпоративной базы знаний и каких результатов ждать?

    По словам спикера, Klarna собрала в GraphRAG-проект вики, HR-системы и внутреннюю документацию. За первый год было 250 тысяч вопросов сотрудников, около 2000 запросов в день и 85% внедрения среди сотрудников.

    ▶ 9:35Внедрение в корпоративной среде и вопросы аудитории

Главы

Ещё доклады: Stephen Chin

Все 6 докладов →

Похожие доклады