← Каталог

· 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

Главы

Ещё доклады: Zach Blumenfeld

Страница спикера →

Похожие доклады