· AI Engineer World's Fair 2025
Методы GraphRAG для оптимизации контекстных окон LLM при поиске
GraphRAG methods to create optimized LLM context windows for Retrieval — Jonathan Larson, Microsoft
GraphRAG, который строит структурированную память по коду, позволяет LLM работать с целым репозиторием там, где обычный RAG и прямой ввод файлов в контекст не справляются.
- Многофайловые правки в Doom — по словам спикера, агент GitHub Copilot, подключённый к GraphRAG для кода, добавил прыжок игроку в кодовой базе примерно на 100 000 строк и 231 файл, изменив много файлов сразу и получив рабочий результат; другие агенты, по его словам, ломали остальные файлы.
- Перенос на Rust — прямой запрос к LLM с игрой на 200 строках Python дал Rust-код, который не компилировался, а перевод через GraphRAG для кода запустился целиком.
- BenchmarkQED — открытый набор из трёх компонентов: AutoQ генерирует вопросы от локальных до глобальных, AutoE оценивает ответы через LLM-as-a-judge, AutoD суммаризирует и семплирует датасет.
- LazyGraphRAG против vector RAG — по словам авторов, при окнах контекста 8K, 120K и 1M токенов LazyGraphRAG показывает лучшие результаты, а стоимость примерно в десять раз ниже, чем при 1M-контексте.
Кому полезно: тем, кто строит ассистентов для больших кодовых баз и правок в нескольких файлах, и тем, кто хочет измерять качество GraphRAG-подобных систем.
Статья по теме
Главы
Похожие доклады
Context engineering: связываем точки с помощью графов
AI Engineer Code 2025
Близко по содержанию
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
Графовый интеллект: как улучшить рассуждения и поиск с помощью графовой аналитики
AI Engineer World's Fair 2025
Близко по содержанию

