Vector | Graph：蚂蚁首个开源Graph RAG框架设计解读

最新推荐文章于 2025-02-26 17:06:45 发布
最新推荐文章于 2025-02-26 17:06:45 发布
阅读量982 收藏 1
点赞数 4
CC 4.0 BY-SA版权
分类专栏： 人工智能 网站开发 AI技术产品经理 文章标签： 开源 rag
我是南七小僧，邮箱：[email protected] ，C9博士，前百度搜索AI平台产品负责人，欢迎交流思想碰撞。
本文链接：https://blog.csdn.net/qq_25439417/article/details/141051401

Vector | Graph：蚂蚁首个开源Graph RAG框架设计解读

引入知识图谱技术后，传统RAG链路到Graph RAG链路会有什么样的变化，如何兼容RAG中的向量数据库（Vector Database）和图数据库（Graph Database）基座，以及蚂蚁的Graph RAG开源技术方案和未来优化方向。

检索增强生成（RAG：Retrieval Augmented Generation）技术旨在把信息检索与大模型结合，以缓解大模型推理“幻觉”的问题。近来关于RAG的研究如火如荼，支持RAG的开源框架也层出不穷，并孕育了大量专业领域的AI工程应用。我们设计了一个通用的开源RAG框架，以兼容未来多样化的基础研究建设和工程化应用诉求。

1. 概述

RAG的目标是通过知识库增强内容生成的质量，通常做法是将检索出来的文档作为提示词的上下文，一并提供给大模型让其生成更可靠的答案。更进一步地，RAG的整

了解本专栏 订阅专栏 解锁全文
蚂蚁开源多Agent框架——muAgent
jjjddfvv的博客
08-08 1235
CodeFuse-muAgent [1]是蚂蚁CodeFuse团队开发的Mulit Agent框架，其核心宗旨在于简化agents的标准操作程序（SOP）编排流程。多Agents的核心关键即Agent的交互链路，也即实现SOP的关键。其核心在于如何把上一个Agent的输出给到下一个Agent的输入，其中需要涉及到llm的输出、具体action的执行以及信息的解析处理。之前没有了解过国内多Agent框架，因为本身也不多；
图解Graph RAG：蚂蚁集团开源的智能问答新框架
步子哥的博客
07-09 1155
Graph RAG作为AI领域的新成员，它的发展和应用才刚刚开始。随着技术的不断进步，我们有理由相信，它将在未来的智能问答系统中扮演越来越重要的角色。如果你对Graph RAG或者AI技术感兴趣，不妨关注蚂蚁集团的开源项目，一起探索AI的无限可能。希望这篇博客能够帮助你更好地理解Graph RAG技术。如果你有任何问题或需要更多信息，请随时告诉我！
一文把 RAG 每步的技术难点说明白
m0_59164304的博客
06-24 1430
检索出来的结果在给大模型之前，还要 prompt 优化，包括 prompt 加上 step by step ，针对场景的加上相应的提示词等。最后的结果依赖大模型的理解，生成，逻辑推理能力。大模型能力的强弱也直接决定 RAG 的效果。所以大家会看到要把 RAG 作为大模型应用目前主要落地场景，但还是有非常多改进的空间的，这方面的创业公司也很多，技术发展也很快，机会很多。现在典型的 RAG框架有 dify，FastGPT ，百度智能云的 App builder等，大家都可以去试一试。
Vector | Graph：蚂蚁首个开源 Graph RAG 框架设计解读
asd8705的专栏
06-29 1523
这部分源自于微软的Graph RAG的研究工作，通过构建知识图谱时生成图社区摘要，以解决知识图谱在面向总结性查询时“束手无策”的问题。另外，同时结合图社区总结与子图明细可以生成更高质量的上下文。
DB-GPT X TuGraph 会带来怎样的新惊喜？蚂蚁首个开源 Graph RAG 框架设计全解读
强化学习曾小健
06-25 2066
（RAG：Retrieval Augmented Generation）技术旨在把信息检索与大模型结合，以缓解大模型推理“幻觉”的问题。近来关于RAG的研究如火如荼，支持RAG的开源框架也层出不穷，并孕育了大量专业领域的AI工程应用。我们设计了一个通用的开源RAG框架，以兼容未来多样化的基础研究建设和工程化应用诉求。
一文看懂GraphRAG与传统RAG的7大区别及融合方案，你会怎么选择？
m0_63171455的博客
09-04 3906
其借助社区检测算法来识别知识图谱中的多个社区，并利用LLM对这些社区进行总结与摘要。因此，当回答类似这样的问题：“最近几年高端智能手机的整体发展趋势是怎样的？Microsoft GraphRAG会通过Map-Reduce算法首先从多个不同的关联社区（比如不同年份社区）来搜集到“高端智能手机”的信息（Map），最后汇总生成全局性答案（Reduce）。
DB-GPT v0.5.6版本发布：GraphRAG框架与更多新特性！
步子哥的博客
07-08 699
DB-GPT v0.5.6版本的发布，不仅仅是技术的更新，更是对人工智能可能性的探索。随着GraphRAG框架的加入和多项新特性的支持，我们有理由相信，DB-GPT将在未来扮演更重要的角色，帮助我们解决更复杂的问题。如果你对DB-GPT或者人工智能技术感兴趣，不妨访问GitHub页面，了解更多信息，或者下载体验最新版本。让我们一起见证AI技术的发展和变革！希望这篇博客文章能够帮助你更好地了解DB-GPT v0.5.6版本的更新内容。如果你有任何问题或需要更多信息，请随时与我联系。
一文看懂GraphRAG：蚂蚁集团联合各所名校出品GraphRAG综述
AIBigModel的博客
08-24 2459
GraphRAG 是借助外部结构化知识图谱来增进语言模型的上下文理解，并生成更具洞见响应的框架。GraphRAG 的目标在于从数据库中检索出最为相关的知识，进而提升下游任务的答案质量。鉴于候选子图的数量会随着图的规模呈指数增长，故而需要有效的近似方法。由此，运用图检索器提取最优子图 ，而后生成器依据检索到的子图生成答案。所以，将 GraphRAG 的整个流程拆解为三个主要阶段：基于图的索引、图引导检索和图增强生成。
微软 GraphRAG 与 传统 RAG 架构设计精髓
m0_59163425的博客
07-12 1310
在知识图谱构建完成后，GraphRAG会使用社区检测算法（如Leiden算法等）来识别图谱中紧密相关的实体组（社区）。
揭示大模型应用协同效应：当RAG遇见知识图谱(KG)
m0_59235245的博客
06-04 1359
许多使用聊天机器人（如ChatGPT）的用户都遇到了接收不当或不兼容回复的问题。这可能有几个原因。一个原因是缺乏合适的训练数据，因为聊天机器人通常是在大量的文本和代码上进行训练的。如果数据不足或质量较差，聊天机器人可能会误解查询并提供不准确的回复。另一个原因是一些聊天机器人被设计用于特定任务或领域，这限制了它们处理更广泛的查询或理解对话中微妙细微差别的能力。此外，聊天机器人可能难以理解复杂而含糊不清的自然语言。这可能导致它们误解用户的查询并提供无关或离题的回复。
微软重磅开源 GraphRAG：新一代 RAG 技术来了！
musicml的博客
07-07 9469
▼最近直播超级多，预约保你有收获今晚直播：《RAG/Dify 构建企业案例实战》—1—为什么需要 GraphRAG？7月3日，微软重磅开源了基于图的 RAG -- GraphRAG。在 GitHub 上发布后，短短4天时间，该项目迅速获得了 6000 Stars！足见这个项目的热度！Github 地址：https://github.com/microsoft/graphrag强化主流大模型，比...
下一代 RAG 技术来了！微软正式开源 GraphRAG
stephen147的博客
07-08 7736
7 月 2 日，微软开源了 GraphRAG，一种基于图的检索增强生成 (RAG) 方法，可以对私有或以前未见过的数据集进行问答。在 GitHub 上推出后，该项目快速获得了 2700 颗 star！开源地址：https://github.com/microsoft/graphrag通过 LLM 构建知识图谱结合图机器学习，GraphRAG 极大增强 LLM 在处理私有数据时的性能，同时具备连点成线的跨大型数据集的复杂语义问题推理能力。
GraphRAG——一个基于图的检索增强生成的开源项目
最新发布
java_121388的博客
02-26 477
先说说RAG吧，检索增强生成，相当于是从一个给定好的知识库中进行检索，接入LLM模型，让模型生成准确且符合上下文的答案，减少幻觉，根据特定的知识库进行符合知识库内容的回答。GraphRAG 极大的提升了 RAG 的检索能力，在捕获上下文的这个过程中可以填充更多具有相关性的内容，从而让生成的答案更具准确性。我们直接来看看 GraphRAG 的实战测试吧。测试基于俄乌双方关于暴力事件的上千份新闻报道，文件内容比较多，而且内容之间关系复杂，无法直接放入LLM的上下文中，RAG方法是此时的最优解。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

南七小僧

打赏后，可以添加微信一对一咨询

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值