· AI Engineer World's Fair 2025
Введение в GraphRAG
Intro to GraphRAG
Граф знаний со явной схемой «человек знает навык» даёт агенту, по словам спикера, больше контроля над поиском, чем одиночный векторный запрос.
- Граф из таблиц и резюме — CSV и тексты резюме, разобранные через LLM в Pydantic-модели, загружаются в граф с узлами person и skill. Уникальность email задаётся ограничением, и по словам спикера это главная причина быстрых слияний и поиска.
- Эмбеддинги по описанию навыка — короткие названия вроде R или AWS дают слабые векторы, поэтому эмбеддится развёрнутое описание. Похожие навыки сохраняются как связи с оценкой, а итоговая похожость людей складывает семантическую близость и число совпавших навыков с независимыми весами.
- Детекция сообществ — алгоритм Leiden на графе похожих людей выделяет группы по навыкам, например инженеров данных, фронтенд и ML. Результат записывается обратно в граф, и агент может объяснять эти группы.
- Схема для агента — держите модель маленькой, называйте связи естественными глаголами и добавляйте в схему примеры паттернов запросов. Производные связи после загрузки новых данных нужно пересчитывать.
Кому полезно: тем, кто строит поиск по людям или навыкам и решает, нужен ли граф рядом с векторным поиском.
Статья по теме
На какие вопросы отвечает доклад
Как извлечь людей и навыки из резюме в граф знаний?
Модель описывается Pydantic-классами, LLM по системному промпту возвращает JSON с людьми и навыками, а затем данные загружаются в граф через MERGE по email.
▶ 55:17Загрузка резюме, обновление графа и последующие модули воркшопаКак находить похожие навыки, если в данных их называют по-разному?
Эмбеддинги строятся по развёрнутым описаниям навыков, а не по коротким названиям вроде R или AWS; векторный индекс в Neo4j даёт поиск по смыслу, а похожие навыки связываются отношением с весом.
▶ 38:29Выявление сообществ, схемы графа и шаблоны агентных системКак сочетать сходство по смыслу и точное совпадение навыков при подборе похожих людей?
Итоговый балл складывает число общих навыков и семантическое сходство с отдельными весами, а путь по семантическим связям допускает от нуля до двух переходов.
▶ 38:29Выявление сообществ, схемы графа и шаблоны агентных системПочему LLM ошибается при написании Cypher-запросов и как ограничить генерацию?
Простые агрегации модели пишут неплохо, а сложные обходы лучше вынести в свои функции или MCP-сервер; схему можно аннотировать описаниями и примерами паттернов запросов.
▶ 11:56Построение графа, запросы Cypher и основы retrievalКогда стоит кластеризовать граф алгоритмом Leiden, а когда достаточно обхода?
Кластеризация нужна для постоянного анализа групп, например сегментации сотрудников; для подбора пар по общим навыкам хватает обхода графа без community detection.
▶ 38:29Выявление сообществ, схемы графа и шаблоны агентных системНужно ли пересчитывать связи похожести и кластеры графа при загрузке новых данных?
Материализованные связи похожести и кластеры Leiden нужно пересчитывать при обновлении данных, например регулярно; если граф часто меняется, можно считать сходство при запросе без сохранения связей.
▶ 55:17Загрузка резюме, обновление графа и последующие модули воркшопа
Главы
Ещё доклады: Zach Blumenfeld
Страница спикера →ИИ в вашем lakehouse: контекст — это структуры, а не запросы
Zach Blumenfeld, Ben Squire, Ryan Knight
AI Engineer World's Fair 2026
Agentic GraphRAG: упрощаем поиск по структурированным и неструктурированным данным
AI Engineer World's Fair 2025
Почему агентам нужны следы принятия решений, а не только документы
AI Engineer Europe 2026
Похожие доклады
Не используйте RAG как память
AI Engineer World's Fair 2025
Близко по содержанию
GraphRAG: объединение графов знаний и RAG
AI Engineer World's Fair 2024
Близко по содержанию

