← Каталог

· AI Engineer World's Fair 2025

Маллет графа знаний: как упростить GraphRAG

The Knowledge Graph Mullet: Trimming GraphRAG Complexity

Гибрид property graph и RDF-триплетов в Dgraph даёт удобную модель запросов и масштабируемое хранение для GraphRAG, по словам автора.

  • Триплы под капотом — узлы и рёбра хранятся как триплы, а связи одного предиката группируются в posting list со списком ID связанных узлов, что ускоряет обход графа.
  • Векторный поиск как вход в граф — эмбеддинги абзацев хранятся свойствами узлов, найденные фрагменты становятся точкой входа, а обход по статьям, темам и географии добавляет контекст. Точек входа может быть несколько, например геоиндекс.
  • MCP с разделением прав — read-only эндпоинт только выполняет запросы и показывает схему, полный добавляет мутации и изменение схемы. Модель генерирует DQL и сама проверяет данные, но ошибки в запросах случаются и она их исправляет.
  • Рекомендации в одном запросе — collaborative filtering, content-based и демографические подходы объединяются в один DQL-запрос; первый вариант в демо падал с ошибкой, и модель переписала его.

Кому полезно: тем, кто строит GraphRAG на графовой базе и хочет дать модели доступ к ней через MCP. Вторая половина доклада — презентация продукта Hypermode Agents в раннем доступе.

Статья по теме

На какие вопросы отвечает доклад

  • Как совместить property graph и RDF в одной базе, чтобы граф масштабировался?

    Dgraph хранит данные как RDF-триплеты с уникальным ID узла и группирует связи по предикатам в posting lists, а запросы пишутся в property graph стиле на DQL. Так обходы графа остаются быстрыми.

    ▶ 3:59Архитектура Dgraph, RDF-тройки, списки публикаций и DQL
  • Как расширить контекст RAG за пределы чанков, найденных векторным поиском?

    Эмбеддинги чанков хранятся как свойства узлов, векторный поиск даёт точку входа, а дальше обход графа ведёт к статьям, темам, организациям и географическим объектам. Точками входа могут быть и геопространственный, и поиск по изображениям.

    ▶ 9:01Графы знаний о новостях, Ratel и поиск векторного сходства
  • Как дать LLM доступ к графовой базе, чтобы модель сама читала схему и записывала данные?

    Dgraph поднимает MCP-сервер: read-only эндпоинт отдаёт запросы и схему, полный эндпоинт добавляет мутации и изменение схемы. В демо Claude сам проверял схему, создавал данные и дописывал недостающие связи.

    ▶ 15:55MCP-серверы Dgraph, изменения графа и рекомендации
  • Как строить рекомендации товаров на графе пользователей и покупок?

    В демо сравнивались коллаборативная фильтрация по похожим пользователям, контентный подход по истории покупок и демографический, а затем все три объединялись в один DQL-запрос. По словам спикера, модель иногда ошибалась в запросе и исправляла его по ошибкам.

    ▶ 15:55MCP-серверы Dgraph, изменения графа и рекомендации
  • Как агент работает с репозиторием GitHub и Notion через MCP и пишет код в постах?

    Агент через MCP-серверы GitHub и Notion находил файлы репозитория, добавлял в тексты фрагменты кода (DQL, Go, терминальные команды) и сохранял результат на страницу Notion. Агенты в Modus работают долго и хранят состояние, а runtime компилирует логику в WebAssembly.

    ▶ 24:44Агенты Modus с состоянием и генерация кода на основе GitHub

Главы

Ещё доклады: William Lyon

Страница спикера →

Похожие доклады