The GraphRAG Manifesto: 为生成式 AI 增加知识 - 图数据库与分析 [译]
内容提要
GraphRAG是一种结合了向量搜索和知识图谱的生成式AI技术，提供更准确、完整、有用的答案。知识图谱增强了结果的解释性、审计性和安全性。文章介绍了构建知识图谱的方法和工具，并提供了实际应用案例。GraphRAG是RAG技术的进一步发展，具有更高的准确性和可解释性，将在生成式AI应用中发挥重要作用。
延伸解读
GraphRAG 与仅向量 RAG 的对比
文章指出，仅向量 RAG 通过相似性搜索增加正确答案的概率，但无法提供确定性，且缺乏上下文和可解释性。GraphRAG 在检索路径中加入知识图谱，结合向量查询和图查询，能提供更准确、完整和有用的答案。例如，在 SEC 文件查询中，GraphRAG 能列出具体受锂短缺影响的公司，而仅向量 RAG 只能描述特征。这种差异在投资决策或供应链调整中至关重要。
知识图谱带来的治理优势
知识图谱增强了生成式 AI 的可解释性、可审计性和安全性。文章强调，在银行、医疗等受监管行业，知识图谱可以通过权限设置实现细粒度访问控制，确保用户只能访问其角色允许的数据。此外，知识图谱使决策过程更透明，便于追溯答案来源和推理逻辑，而大语言模型和向量数据库难以有效实现这些治理要求。
构建知识图谱的实用路径
文章介绍了两种与生成式 AI 相关的图谱：领域图（世界模型）和词汇图（文档结构）。构建词汇图主要涉及解析和分块，而领域图可从结构化或非结构化数据中提取。工具如 Neo4j 知识图谱生成器能自动从 PDF、网页等创建图谱，降低了门槛。对于关系数据库，可使用标准工具进行关系到图谱的映射。这些方法使知识图谱的创建更加高效和可迭代。
GraphRAG 的实际效益与采用趋势
多项研究和案例显示，GraphRAG 能显著提升答案质量。例如，Data.world 研究发现 GraphRAG 平均提高 LLM 回答准确性 3 倍；微软报告称 GraphRAG 减少 26% 到 97% 的 token 使用；LinkedIn 的客户服务应用将中位解决时间减少 28.6%。这些效益推动 GraphRAG 成为需要高质量答案、解释性和治理的应用场景的默认 RAG 架构。
Q&A
什么是GraphRAG，它的主要特点是什么？
GraphRAG是一种结合向量搜索和知识图谱的生成式AI技术，提供更准确、完整的答案，增强结果的解释性和安全性。
GraphRAG如何提高生成式AI的答案质量？
GraphRAG通过结合知识图谱，显著提高了大语言模型的回答准确性和有用性，研究表明其准确性提高了54.2%。
构建知识图谱的主要方法和工具有哪些？
构建知识图谱可以通过多种工具实现，如Neo4j知识图谱生成器，支持从非结构化数据源自动创建图。
GraphRAG在实际应用中有哪些案例？
GraphRAG在客户服务应用中提高了问题解决的准确性和效率，减少了中位解决时间28.6%。
GraphRAG与传统的RAG技术相比有什么不同？
GraphRAG在检索过程中加入了知识图谱，提供更高的答案质量和可解释性，而传统RAG主要依赖向量搜索。
使用GraphRAG的安全性和隐私性如何得到保障？
知识图谱允许通过权限设置管理数据访问，确保信息安全和隐私，适用于受监管的行业。
