· AI Engineer World's Fair 2026
RAG нужна карта: как GraphRAG извлекает связанный контекст
RAG Needs a Map: Using GraphRAG to Retrieve Connected Context — Nyah Macklin, Neo4j
Связи из графа знаний дополняют векторный поиск: вместе они отвечают на вопросы с цепочками связей и агрегацией, а контекст можно проверить.
- Векторы и граф вместе — спикер советует не заменять векторный слой графом, а использовать оба. Вектор находит близкие фрагменты текста (top-5,
text-embedding-3-small, 1536 измерений), а Cypher-запрос подтягивает связанные узлы и связи, по которым видно, откуда взят ответ. - Схема извлечения — заранее заданные типы узлов (
technology,concept,example,process,challenge,benefit) и шаблоны связей направляют LLM, и она не придумывает новые типы. Схему можно предложить самой модели по документам, а затем зафиксировать. - Агрегация требует проверки — после повторного запуска скрипта построения графа агент назвал 30 уроков вместо 15, которые были в графе. Спикер связывает это с повторным запуском, но причина в ходе демо не проверена, поэтому подсчёт лучше сверять прямым запросом к базе.
Кому полезно: тем, кто строит RAG по документам и видит вопросы, где ответ требует пройти несколько связей или посчитать сущности.
Статья по теме
Главы
Похожие доклады
Как закрепить Enterprise GenAI с помощью графов знаний
AI Engineer Summit 2025
Близко по содержанию
Одних векторов недостаточно: гибридный поиск и извлечение данных
AI Engineer World's Fair 2026
Близко по содержанию
За пределами RAG: реляционный context engine сокращает расход токенов
AI Engineer World's Fair 2026
Близко по содержанию
Слой контекста данных для agents
Brandon Callender, Yoni Michael
AI Engineer World's Fair 2026
Близко по содержанию

