· AI Engineer World's Fair 2024
GraphRAG: объединение графов знаний и RAG
GraphRAG: The Marriage of Knowledge Graphs and RAG: Emil Eifrem
GraphRAG, то есть RAG с обходом графа знаний поверх векторного поиска, по словам автора даёт более точные и объяснимые ответы.
- Точность на исследованиях — по работам, которые приводит спикер, граф в связке с векторным поиском дал рост точности: по данным Data.org в среднем втрое, у LinkedIn примерно на 75–77%. Microsoft, по его словам, показала класс вопросов, на которые векторный RAG не отвечает.
- Обход графа после векторного поиска — векторный поиск даёт стартовые узлы, затем граф расширяет контекст по связям, например берёт соседние статьи того же продукта или тексты авторитетного автора. Результаты потом ранжируются по структуре графа, можно через PageRank.
- Граф проще отлаживать — векторное представление непрозрачно, а граф явный и детерминированный. Финтех-компания, перенёсшая приложение с векторной базы в Neo4j, исправила несколько багов, просто визуализировав свой кэш, и получила основу для аудита и объяснимости.
- Трудность в построении графа — структурированные данные из SQL переводятся в граф легко, а PDF и сырой текст трудно. По словам спикера, большинство корпоративных кейсов лежит посередине: структура с длинными текстовыми полями.
Кому полезно: тем, кто строит RAG-систему по документам и решает, нужен ли граф знаний поверх векторного поиска.
Статья по теме
Главы
Ещё доклады: Emil Eifrem
Страница спикера →Тонкие агенты на умной основе: семантический слой на базе онтологии
AI Engineer World's Fair 2026
Похожие доклады
Как довести RAG до production: поиск, оценка и анализ ошибок
AI Engineer Summit 2023
Близко по содержанию
Нужны ссылки: происхождение данных в графах знаний, созданных LLM
AI Engineer World's Fair 2026
Близко по содержанию
Введение в GraphRAG
AI Engineer World's Fair 2025
Близко по содержанию

