檢索增強生成（RAG）在檢索特定資訊時有效，但不適合回答整個語料庫的全域問題。這是因為全域問題需要關注查詢焦點摘要（QFS）而非明確的資訊檢索。
QFS方法的可擴展性不足
傳統QFS方法缺乏處理典型RAG系統所能索引的大量文本的能力。這使得有效回答大規模文本語料庫的問題變得困難。LLMs的上下文長度限制
現代大型語言模型（LLMs）能夠使用有限長度的來儲存輸入文字，但在處理非常大的文字語料庫時可能超出上下文長度的限制。這可能導致長文中間部分的資訊丟失風險。
什麼是Graph RAG？
Graph RAG（圖檢索增強生成）是一種利用LLMs構建的實體知識圖進行QFS的方法。這種方法使用以下兩階段過程來回答整個語料庫的全域問題：從源文件生成實體知識圖。
預先為密切相關的實體群組生成群組摘要。當收到問題時，使用每個群組摘要生成部分回答，最後將這些部分回答整合為全域回答。
Graph RAG的優點
可擴展性：Graph RAG能夠高效處理大量文本數據。通過利用群組摘要，可以分層地組織必要資訊，實現高效的檢索和摘要。改善全面性和多樣性：與傳統RAG方法相比，Graph RAG在回答的全面性（對問題的整體覆蓋）和多樣性（提供不同觀點和洞見）方面都表現出色。降低標記成本：使用群組摘要可以大幅減少所需的標記數量。特別是根層級的群組摘要在保持高效率的同時，顯著降低了標記成本。
Graph RAG的步驟
- 源文件的文字提取和分塊：從源文件提取文字並分割成可處理的塊。塊大小的選擇需要平衡提取精確度和效率。
- 從文字塊提取元素實例：從每個塊中提取實體（節點）及其關係（邊）。使用LLM提取實體名稱、類型、描述和關係描述。
- 生成元素實例摘要：摘要提取的實體和關係，生成描述每個實體和關係的文字塊。這是通過多次LLM調用完成的。
- 檢測圖社群：使用提取的實體和關係構建圖。使用群組檢測算法（如Leiden）分析此圖，識別密切相關的實體群組。
- 生成群組摘要：為每個群組生成實體和關係的摘要。這創建了一個全面的報告，有助於理解整個數據集的結構和含義。
- 使用群組摘要進行問答：當收到問題時，隨機打亂群組摘要並分割成指定標記大小的塊。為每個塊生成部分回答，然後整合這些部分回答以生成最終的全域回答。
總結
Graph RAG是一種結合LLMs和圖技術的新方法，能夠高效地從整個語料庫進行問答。與傳統RAG方法相比，它大幅提高了問題回答的全面性和多樣性。此外，通過降低標記成本，實現了高效的資訊檢索和摘要。
