由于最近正在做知识图谱相关代码研究，因此，对GraphRAG进行了一定的系统学习，今天就想查阅学习的资料，总结整理成笔记，记录下来，同时，也方便大家学习。近期可能就会有这方面的探索出来，可以期待一下！
RAG技术简介
RAG，即Retrieval Augmented Generation（检索增强生成），是一种能够准确理解用户查询、获取相关信息并将其融入回答的技术。它不仅成本效益高，而且在提供领域特定上下文、反映最新信息以及追踪信息来源的透明度和可解释性方面表现出色。
RAG的工作流程
RAG的工作流程包括四个阶段：预检索、分块、检索和后检索。每个阶段都至关重要，它们共同确保了AI能够提供准确、相关的回答。
预检索：确定搜索数据的粒度，平衡提供详细信息与避免数据过载的风险。 分块：合理处理输入数据，以适应大型语言模型的令牌限制。 检索：在文档或文本段数据库中搜索与用户查询相关的内容。 后检索：将检索到的信息有效整合到生成过程中，可能包括摘要、选择最相关的事实等。
RAG的局限性
尽管RAG在多个方面表现出色，但它也有一些局限性，比如索引问题、信息提供不当以及输入与检索过程的不匹配等。
什么是知识图谱
知识图谱是一种结构化的语义知识库，它通过图的形式存储和表示实体（如人、地点、组织等）以及实体之间的关系（如人物之间的关系、地点的地理位置关系等）。知识图谱在信息检索、数据挖掘、自然语言处理、智能问答等领域有着广泛的应用。
知识图谱的构成
实体（Entities）：知识图谱中的基本元素，代表现实世界中的一个独立对象。
关系（Relations）：实体之间的联系，定义了实体之间的语义关系，如“属于”、“位于”、“创立者”等。
属性（Attributes）：实体的特征或描述，如一个人的姓名、年龄、职业等。
类型（Types）：对实体进行分类，如将实体分为人、地点、组织等类型。
知识图谱的构建
数据收集：从各种数据源收集结构化或非结构化数据。
知识抽取：从收集的数据中识别出实体、关系和属性。
知识表示：将抽取出的知识以图的形式表示出来，通常使用RDF（Resource Description Framework）或图数据库。
知识融合：解决实体消岐问题，合并指代同一实体的不同表述。
知识推理：利用逻辑规则和推理算法发现新的知识关系。
知识更新：随着时间的推移，对知识图谱进行维护和更新。
GraphRAG：RAG的进阶版
GraphRAG通过结合知识图谱的检索和推理，解决了RAG的一些局限性。它利用知识图谱索引来获取相关文档，并在后检索阶段使用语义搜索值和相似性搜索值来提高信息的准确性。
GraphRAG的工作模块
GraphRAG包括四个执行模块：查询重写、预检索、后检索以及语义搜索和相似性搜索。
查询重写：在用户查询的基础上添加有用的上下文，以澄清用户的意图。 预检索与后检索：考虑检索什么信息以及如何处理检索到的信息。后检索阶段的挑战在于如何有效地整合数据，包括重新排名和提示压缩。
GraphRAG的关键组件
知识图谱：作为GraphRAG的基础，知识图谱包含了大量的实体和它们之间的关系。
检索模型：用于从知识图谱中检索与用户查询相关的信息。
生成模型：通常是一个预训练的大型语言模型，用于生成基于检索到的信息的文本。
嵌入模型：将知识图谱中的实体和关系转换为向量空间中的点，以便于计算和比较。
推理引擎：执行复杂的查询和推理任务，如路径推理和模式匹配。
GraphRAG的工作流程
查询理解：GraphRAG首先需要理解用户的查询意图。
知识检索：根据理解的意图，从知识图谱中检索相关的实体和关系。
信息融合：将检索到的结构化信息与用户的原始查询结合起来。
生成回答：利用融合后的信息，通过生成模型产生回答。
后处理：对生成的回答进行优化和校正，以提高准确性和可读性。
GraphRAG的应用场景
复杂查询回答：对于需要多步逻辑推理的复杂查询，GraphRAG可以提供更好的回答。
个性化推荐：利用用户的历史行为和偏好，结合知识图谱中的信息进行个性化推荐。
自动文摘：从大量文本中自动抽取关键信息，生成摘要。
对话系统：在对话系统中提供更准确和信息量更大的回复。
数据整合：帮助整合来自不同来源的异构数据。
使用GraphRAG的考虑因素
为了有效存储和管理图形数据，需要专门的软件，如GDBMS（图形数据库管理系统）。此外，还需要自然语言处理模型来生成图形查询，以及用于嵌入图形数据的模型。
GraphRAG的局限性
GraphRAG在形成图形、生成查询以及决定检索多少信息方面也有其局限性。主要挑战包括查询生成、推理边界和信息提取。
何时使用GraphRAG
GraphRAG并非万能的解决方案。如果传统的RAG表现良好，就没有必要使用GraphRAG。只有在RAG性能提升不明显时，才考虑引入GraphRAG。
