· AI Engineer World's Fair 2025
Когда векторы не справляются: графовый RAG для насыщенных корпоративных знаний
When Vectors Break Down: Graph-Based RAG for Dense Enterprise Knowledge
Векторный поиск ломается на однотипных корпоративных документах, и Writer перешла от него к графу знаний, который хранится как JSON в Lucene-движке и дополнен Fusion-in-Decoder.
- Чанки ломают факты — при наивном разбиении ближайший сосед может подтянуть соседний факт: в примере с историей Apple год выпуска Macintosh назывался 1983 вместо 1984, потому что он попал в один чанк с Lisa.
- Граф в поисковике — графовая база при росте стала дорогой, а Cypher плохо справлялся со схожестью; по словам спикера, LLM лучше работают с текстовыми запросами, поэтому граф хранят как JSON в Lucene-поисковике.
- Своя модель для графа — дообученная модель раскладывает текст по узлам и рёбрам и работает на CPU или небольших GPU, а сегментация учитывает контекст.
- Fusion-in-Decoder с графом — фрагменты кодируются независимо, что даёт линейное масштабирование вместо квадратичного; по словам авторов, на RobustQA их система обогнала семь векторных систем по точности и скорости.
Кому полезно: тем, кто строит RAG на корпоративных документах с похожей терминологией; спикер называет показанную архитектуру эскизом, а не продовой схемой.
Статья по теме
Главы
Похожие доклады
Нужны ссылки: происхождение данных в графах знаний, созданных LLM
AI Engineer World's Fair 2026
Близко по содержанию
Зачем мозгу агента нужен плейбук: практические преимущества онтологий
AI Engineer World's Fair 2025
Близко по содержанию
Масштабирование корпоративных RAG-систем: опыт в юридической сфере
AI Engineer World's Fair 2025
Близко по содержанию
Графовый интеллект: как улучшить рассуждения и поиск с помощью графовой аналитики
AI Engineer World's Fair 2025
Близко по содержанию

