VLDB 2024｜NebulaGraph RAG 正式官宣

NebulaGraph 专注于图技术，已进行了多年的开源分布式图数据库的研发。在 RAG 技术还未被称为 RAG，而是上下文学习方法的时候，我们就意识到以图的方式处理知识会对解决这些问题有很大帮助。因此，NebulaGraph 率先提出了 GraphRAG 的方法，并于 2023 年 8 月与 LlamaIndex 联合发布 GraphRAG。 

RAG 通常涉及将知识库中的信息进行向量化处理，以便在查询时能够快速检索到最相关的信息块。这种方法使得模型能够处理那些它原本未曾训练过的问题，从而大大扩展了模型的应用范围。这种常见的机器学习方法，通常称为“分割与嵌入”方法。虽其处理语义匹配方面很有效，但它仍然面临许多挑战。其中一个主要的问题被比喻为“大海捞针”，即在庞大的数据中寻找特定信息的困难。

除了“大海捞针”的问题之外，另一个挑战源自于嵌入模型本身的局限性。通常，在构建这种系统时，我们往往没有资源去定制一个专门的模型，因此大多数情况下只能依赖通用的预训练模型。然而，这些模型在处理一些复杂的领域知识时，可能会出现无法准确表达语义的问题。

当图技术与 RAG 结合后，能够有效帮助解决我们在使用嵌入模型时遇到的难题。

图技术可以对数据进行更精细的分割，同时保持全局的上下文信息。例如，将一本书的每一章节中的重要知识点放入图中，保留知识点之间的关联关系。相比于传统的线性切割，这种方法能够更好地维护知识结构。

在使用向量检索时，模型依赖的上下文关联通常是概率性的，这种关联体现在语义理解模型中，但这些模型往往比较简单，智能化程度有限，可控性较低。而通过构建图谱，我们能够建立更确定且高质量的连接，大大减少了因嵌入模型引起的误差。此外，图谱还可以轻松构建全局上下文，从而进一步提升检索精度。

探索开发

最新成果

GraphRAG 在 NebulaGraph 中应用的最新成果是「悦数 RAG」，这是一款极简的知识应用构建平台，使 GraphRAG 技术的强大功能触手可及。用户可以通过友好易用的对话界面轻松创建搜索引擎、聊天机器人和内容生成应用，无需任何编程操作。通过激活和循环内部知识，「悦数 RAG」能够最大限度地发挥其价值，将知识和见解转化为行动。

了解更多「悦数 RAG」咨询，请移步⬇️‍‍‍‍

悦数 RAG 正式亮相 ：从知识到应用的飞跃，只要几分钟