Format / Sintaxă: GraphRAG – îmbinarea căutării vectoriale cu grafuri de cunoștințe (Knowledge Graphs) de entități și relații
Explicație detaliată
RAG-ul vectorial clasic eșuează când întrebi: „Care sunt principalele conflicte de interese din toate contractele companiei?”. Vectorii găsesc fragmente izolate, dar nu pot sintetiza imaginea de ansamblu.
GraphRAG extrage din documente toate entitățile (persoane, companii, tehnologii) și relațiile dintre ele, construind un graf de cunoștințe și comunități semantice care permit înțelegerea la nivel macroscopic a informației.
Analogie intuitivă
💡 Harta rețelei de metrou a unei metropole: vectorii îți arată doar poza stației în care te afli; graful îți arată toate magistralele, nodurile de schimb și cum poți ajunge dintr-un capăt în celălalt al orașului.
Mecanism & Funcționare
- 1. Extragere de noduri (entități) și muchii (relații) folosind LLM.
- 2. Detectare de comunități prin algoritmul Leiden.
- 3. Rezumate ierarhice pe fiecare comunitate de date.
- 4. Căutare globală prin parcurgerea rezumatelor de comunitate.
Exemple practice și aplicabilitate
- Analiză de intelligence pe mii de documente juridice de fuziuni și achiziții, investigații financiare complexe, corelarea literaturii medicale despre boli rare.
Capcane frecvente & bune practici
Construirea grafului este scumpă la indexare, dar precizia pe întrebări holistice complexe depășește cu mult RAG-ul tradițional.
Noțiuni înrudite
ce-este-rag: Noțiune asociată din acest modul.vector-database: Noțiune asociată din acest modul.agentic-rag: Noțiune asociată din acest modul.