← Каталог

· AI Engineer World's Fair 2025

Agentic GraphRAG: упрощаем поиск по структурированным и неструктурированным данным

Agentic GraphRAG: Simplifying Retrieval Across Structured & Unstructured Data — Zach Blumenfeld

Top-k поиск по документам даёт неверные подсчёты и связи между людьми, а граф знаний, построенный из резюме, отвечает на такие вопросы точно.

  • Top-k не подходит для подсчётов — число ответов ограничено параметром K: при K=5 агент назвал пять Python-разработчиков, а запрос к графу по навыку Python дал точный счёт.
  • Простая модель из нескольких сущностей — люди, навыки и достижения (built, shipped, led) с доменами и типами работ извлекаются из PDF через Pydantic-классы и LangChain, а агент читает схему через MCP-сервер и пишет Cypher.
  • Новые связи без миграции — данные о совместной работе из внутренней системы добавляются как новые отношения, без join-таблицы и рефакторинга модели, как потребовалось бы в реляционной базе.
  • Обход графа на 0–3 шага — поиск похожих людей учитывает общие навыки, домены и достижения, и агент объясняет расчёт пересечений, а не только семантическую близость.

Кому полезно: тем, кто строит агентов, которым нужны агрегации и связи между сущностями поверх набора документов. Доклад по сути демонстрация продукта Neo4j, но код ноутбуков и MCP-сервер авторы выложили на GitHub.

Статья по теме

Главы

Ещё доклады: Zach Blumenfeld

Страница спикера →

Похожие доклады