我们都听说过检索增强生成（RAG），许多人使用 RAG 因为它能够增强语言模型的功能，通过结合检索和生成处理来提高准确性，减少幻觉，并且更加经济高效。
过往文章中，我们展示了许多先进的 RAG 框架，例如 GraphRAG 和 RAG Flow，这些框架都在逐月变得更为先进。
例如 GraphRAG 使用知识图谱来表示实体和关系，提供了一种结构化的信息检索方法，但它缺乏全面的召回能力。
然后，我们还有一种名为 Vector 的方法，它通过将文本转换为向量嵌入来检索相关信息，这在搜索中表现出色，但往往会丢失关键的上下文信息，尤其是在处理复杂结构的文档时，例如财务报告或较长的上下文。
那么我们如何解决这个问题呢？
通过集成基于向量和图形的检索方法，这将使框架能够以更高的精度和可靠性处理复杂数据。这使其成为传统 RAG 方法的重大进步。在这里，我想介绍一个已经实现这种混合 RAG 的框架——HybridRAG。
>/ 下面这篇文章文末有手动混合两种方法的代码实践_
使用GraphRAG+LangChain+Ollama：LLaMa 3.1跑通知识图谱与向量数据库集成（Neo4j）
这是一个新颖的 AI 系统，有人使用HybridRAG处理了 100 份合规性文件。
HybridRAG 在三个关键方面表现出色，因此脱颖而出。这些领域包括准确度、相关性以及上下文召回能力。
HybridRAG 结合简单的余弦相似性搜索和知识图谱检索系统 + 使用 Bur Cells AI SDK，它能够自动编写和执行代码，从文档中提取实体和关系。
它可以在不同实体和关系之间提供一种结构化的方法进行信息检索。
让我们来看一下Vector RAG这个图表，这是一个描述 RAG 应用中基于向量数据库创建过程的示意图。
在向量 RAG 或向量图形 RAG 中，查询首先发送到外部数据库，检索相关文档或段落，然后将其分解为更小的部分，利用大型语言模型将它们转换为向量嵌入。
然后执行相似性搜索，找到与查询最相关的部分，用于生成响应的上下文。这种方法确保语言模型能够结合实时信息和现有知识，提供准确且详细的回答。
但是，这种方法的局限性在于，它在处理复杂结构的文档时，往往会丢失关键的上下文信息，特别是在处理企业信息时可能成为一个问题。
接着，我们还有另一个示意图，描述了知识图谱的创建过程，这是 GraphRAG 的过程，涉及构建实体的结构化表示。
如图所示，您可以看到不同区域的实体和关系，这可以用于提供更有组织且易于访问的知识表示，图中左边有一个关于收益报告的实体，中间是处理收益报告的实体。
这一过程包括信息提取，如识别实体和关系，并通过填补知识图谱中的空白和解决冗余来改进它。这样它可以适应知识，并由表示实体的各种节点和表示关系的边组成。
与 Vector RAG 相比，GraphRAG 在上下文精确性上（能够更好地捕捉到数据之间的关系和语义，提供的答案更加准确和相关。）表现出色，
但可能无法匹配全面的召回能力（“召回能力”指的是模型找到所有相关信息的能力。）。
混合 RAG 结合了 Vector RAG 和 GraphRAG 的优势，通过先使用 Vector RAG 获取大量相关信息，然后利用 GraphRAG 对这些信息进行精确的上下文处理
这就是为什么将 Vector RAG 和 GraphRAG 系统整合到一个新框架中的混合 RAG 将会提升不同 RAG 方法的能力。
我还想提到一点，在 HybridRAG 方法中，生成答案的过程是分两个阶段进行的：
VectorRAG 阶段：首先使用 VectorRAG 从文档中提取相关的上下文。这一阶段主要依赖向量检索技术来找到与查询最相关的内容。
GraphRAG 阶段：接着使用 GraphRAG 利用知识图谱来补充和优化之前获取的上下文。这一步能够通过知识图谱提供更丰富的语义信息，从而生成更准确的答案。
虽然这种方法利用了两者的优势，但会影响精度，因为上下文的顺序会影响最终答案的准确性。
通过在金融收益电话会议记录上的实验，HybridRAG 展示了其在信息检索和生成方面的优越性能。具体来说：
- 准确性 (F)：GraphRAG 和 HybridRAG 均表现优异，得分为 0.96，而 VectorRAG 略低，得分为 0.94。
- 答案相关性 (AR)：HybridRAG 以 0.96 的得分领先，优于 VectorRAG 的 0.91 和 GraphRAG 的 0.89。
- 上下文精确度 (CP)：GraphRAG 以 0.96 的得分领先，超过 VectorRAG 的 0.84 和 HybridRAG 的 0.79。
- 上下文召回率 (CR)：VectorRAG 和 HybridRAG 达到完美的 1 ，而 GraphRAG 得分为 0.85。
总的来说，HybridRAG 结合了 VectorRAG 和 GraphRAG 的优势，尤其在处理复杂文本如财务数据时表现优异，当然他在其他领域也可应用。
目前，你无法访问混合 RAG，因为代码还没有发布，这只是一个研究实现。未来代码发布时，我会写另一篇文章，以便你可以马上开始使用，并且我会提供如何将其应用到你自己的 AI 系统中的教程。
总之，我想说，前面不同类型的 RAG 方法可以增强语言模型的功能，尤其是在提供外部文档上下文时，但它们在处理复杂文本时往往表现不佳，例如财务文本或其他复杂数据，这导致了不一致的检索质量。
为了解决这个问题，我们看到了混合 RAG，它结合了知识图谱和传统 RAG 技术来更好地进行信息提取。
在我看来，混合 RAG 是目前最好的 RAG 框架，尽管在某些精度上有所下降，但在准确性和相关性方面表现出色。
这一进展值得关注，我会继续跟进，当代码发布时，我会制作相关视频并进行深入分析。
总结一下，我推荐大家阅读HybridRAG的研究论文，它会更详细地展示这个框架的潜力。
