← Каталог

· AI Engineer World's Fair 2025

Практический GraphRAG: как сделать LLM умнее с помощью графов знаний

Practical GraphRAG: Making LLMs Smarter with Knowledge Graphs

Поиск по графу знаний с обходом связей даёт LLM более релевантный и объяснимый контекст, чем один векторный поиск.

  • Три этапа построения графа — текст сначала делится на фрагменты, связанные порядком и сходством, затем LLM извлекает сущности по заданной схеме. Алгоритмы вроде PageRank и суммаризация сообществ добавляют темы, которые повторяются сразу в нескольких документах.
  • Поиск с обходом связей — векторный, полнотекстовый или гибридный поиск находит точки входа, после чего запрос идёт по связям на несколько шагов. Выборка зависит от роли пользователя: для финансового отдела контекст может отличаться от контекста для инженеров.
  • Объяснимость ответа — в демо видно, какие сущности и фрагменты попали в контекст LLM, поэтому ответ можно проверить по источникам.
  • Цифры из внешних работ — по данным LinkedIn, граф знаний в поддержке сократил медианное время решения обращения на 28,6%. Исследование Data.World сравнивало RAG поверх SQL и поверх графовой базы и показало примерно троекратный рост точности ответов LLM.

Кому полезно: тем, кто строит RAG по корпоративным данным и получает нерелевантные ответы от векторного поиска. Доклад во многом показывает инструменты Neo4j с открытым кодом.

Статья по теме

Главы

Ещё доклады: Stephen Chin

Все 6 докладов →

Ещё доклады: Jesús Barrasa

Страница спикера →

Похожие доклады