· AI Engineer World's Fair 2025
HybridRAG: объединение графового и векторного поиска для улучшения интерпретации данных
HybridRAG: A Fusion of Graph and Vector Retrieval to Enhance Data Interpretation
В HybridRAG, который сочетает граф знаний и векторный поиск, качество ответов зависит прежде всего от того, как из документов извлекаются триплеты.
- Онтология под задачу — схему сущностей и связей задают в промпте LLM. Спикер оценивает, что на её подбор уходит около 80% времени, потому что шумные триплеты дают шумный retrieval.
- Очистка данных и короткий вывод — удаление регулярных выражений, окончаний 's и лишних символов, а также ограничение длины вывода улучшили извлечение. По словам спикера, LoRA-дообучение Llama на 100 документах подняло точность с 71% до 87%.
- Ускорение обхода графа — cuGraph, подключаемый в NetworkX, снижает задержку при многоходовом обходе больших графов, поэтому можно глубже идти по связям.
- Оценка через Ragas — библиотека проверяет retrieval и ответ сквозным образом по faithfulness, answer relevancy, precision и recall, а вместо GPT в неё можно подключить свою модель.
Кому полезно: тем, кто решает, нужен ли граф знаний поверх RAG, например на структурированных финансовых или розничных данных.
Статья по теме
Главы
Похожие доклады
Графы знаний в litigation-агентах
AI Engineer World's Fair 2025
Близко по содержанию
Context engineering: связываем точки с помощью графов
AI Engineer Code 2025
Близко по содержанию
Введение в GraphRAG
AI Engineer World's Fair 2025
Близко по содержанию
Не используйте RAG как память
AI Engineer World's Fair 2025
Близко по содержанию

