GraphRAG+Langchain实现大模型知识图谱

理解GraphRAG其实并不难，可以理解为由两个主要模块组成：

1. 向量检索(Local Search)
2. 局部知识图谱社区检索(Global Search)

所谓 GraphRAG 一定程度上可以理解为使用 LLM 生成知识图谱，在对复杂信息进行文档分析时可显著提高问答性能，尤其是在处理私有数据时。 GraphRAG构建流程主要是以下三个：

1. 图表作为内容存储：提取相关文档块并要求 LLM 使用它们进行回答。这种变体需要一个包含相关文本内容和元数据的 KG，以及与矢量数据库的集成。
2. Graph 作为主题专家：提取与自然语言 (NL) 问题相关的概念和实体的描述，并将其作为附加的“语义上下文”传递给 LLM。理想情况下，描述应包括概念之间的关系。这种变化需要具有全面概念模型的 KG，包括相关本体、分类法或其他实体描述。实现需要实体链接或其他机制来识别与问题相关的概念。
3. 图表作为数据库：将 NL 问题(部分)映射到图表查询，执行查询并要求 LLM 总结结果。这种变化需要一个包含相关事实信息的图表。这种模式的实现需要某种 NL 到图表查询工具和实体链接。

下面分享一个GraphRAG+Langchain实现大模型知识图谱的笔记。

本文转载自公众号数字化助推器  作者：天涯咫尺TGH

原文链接：​​https://mp.weixin.qq.com/s/TkjJFEXbVAAVw40ZCq6UMg​​