Memahami Penaakulan Multi-Hop

Pangkalan data vektor berfungsi untuk carian semantik. Ia sukar untuk melakukan penaakulan pelbagai langkah merentasi manusia, sistem, dan peristiwa.

RAG standard mengambil cebisan teks berdasarkan matematik. Ia terlepas pautan antara titik data. GraphRAG menyelesaikan masalah ini. Ia menghubungkan Large Language Models kepada graf pengetahuan yang aktif.

Graf Beratribut-Teks menggunakan nod dan tepi.

  • Nod adalah entiti seperti pengguna atau produk.
  • Tepi adalah hubungan seperti "IMPACTS" atau "CLONED_FROM".
  • Satu "hop" (lompatan) adalah pergerakan dari satu nod ke nod yang lain melalui satu tepi.

Penaakulan multi-hop mencari sambungan yang tidak terkandung dalam mana-mana dokumen tunggal.

Contoh: Seorang pengguna bertanya, "Bagaimanakah saya boleh membaiki ralat muat naik CSV?"

RAG standard mencari kata kunci. Ia mungkin memulangkan FAQ lama atau laporan pepijat rawak. Ia terlepas konteks perniagaan.

GraphRAG menjejaki laluan yang tepat: (Laporan Pepijat Pengguna) -> [CLONED_FROM] -> (Tiket Kejuruteraan Induk) -> [HAS_RESOLUTION] -> (Tampalan Diterapkan).

Ini memberikan LLM langkah-langkah yang disahkan dan bukannya tekaan semata-mata.

Anda boleh mengawal ini melalui dua kaedah:

  1. Penjelajahan Kedalaman (Depth Traversal) Gunakan ini untuk menggali butiran khusus. Ia berguna untuk analisis punca utama. Dalam Cypher, anda menetapkan julat lompatan (hops). Satu pertanyaan boleh melihat sedalam 1 hingga 5 lapisan untuk mencari langkah reproduksi bagi sesuatu pepijat.

  2. Penjelajahan Lebar (Breadth Traversal) Gunakan ini untuk melihat keseluruhan ekosistem. Ia berkembang secara mendatar untuk melihat semua sambungan segera. Ini membantu anda melihat setiap tiket sokongan yang memberi kesan kepada satu produk secara serentak.

Untuk membina AI yang canggih, jangan kodkan pertanyaan ini secara keras (hard-code). Gunakan sistem pelbagai ejen (multi-agent system):

  • Ejen Penyelaras (Coordinator Agent): Ejen ini merancang pertanyaan. Ia memutuskan sama ada soalan memerlukan lebar atau kedalaman. Ia menukarkan prom pengguna kepada parameter matematik untuk pertanyaan graf.
  • Ejen Pencarian Rekursif (Recursive Retrieval Agent): Ejen ini menilai nod semasa pangkalan data menemuinya. Ia mengekalkan data penting dan membuang hingar (noise) sebelum LLM melihatnya.

Seni bina ini membina sistem yang boleh menskalakan penyiasatannya. Anda mendapat jawapan lengkap yang tidak dapat diberikan oleh carian vektor.

Sumber: https://dev.to/imhyke/understanding-multi-hop-reasoning-how-graph-databases-traverse-data-for-ai-31ml

Komuniti pembelajaran pilihan: https://t.me/GyaanSetuAi