Compreendendo o Raciocínio Multi-Hop

Bancos de dados vetoriais funcionam para busca semântica. Eles têm dificuldade com o raciocínio de múltiplas etapas entre pessoas, sistemas e eventos.

O RAG padrão recupera fragmentos de texto com base em matemática. Ele perde as conexões entre os pontos de dados. O GraphRAG resolve isso. Ele conecta Large Language Models a um grafo de conhecimento ao vivo.

Um Grafo Atribuído a Texto (Text-Attributed Graph) utiliza nós e arestas.

  • Nós são entidades como usuários ou produtos.
  • Arestas são relacionamentos como "IMPACTS" ou "CLONED_FROM".
  • Um "hop" (salto) é o movimento de um nó para outro através de uma aresta.

O raciocínio multi-hop encontra conexões que nenhum documento individual contém.

Exemplo: Um usuário pergunta: "Como eu corrijo o erro de upload de CSV?"

O RAG padrão busca por palavras-chave. Ele pode retornar um FAQ antigo ou um relatório de erro aleatório. Ele perde o contexto de negócio.

O GraphRAG rastreia o caminho exato: (User Bug Report) -> [CLONED_FROM] -> (Master Engineering Ticket) -> [HAS_RESOLUTION] -> (Patch Deployed).

Isso fornece ao LLM etapas verificadas em vez de um palpite impreciso.

Você pode controlar isso por meio de dois métodos:

  1. Travessia de Profundidade (Depth Traversal) Use isso para aprofundar-se em detalhes específicos. É útil para análise de causa raiz. No Cypher, você define um intervalo de hops. Uma consulta pode buscar de 1 a 5 camadas de profundidade para encontrar etapas de reprodução de um bug.

  2. Travessia de Largura (Breadth Traversal) Use isso para ver todo o ecossistema. Ela se expande horizontalmente para ver todas as conexões imediatas. Isso ajuda você a ver todos os tickets de suporte que impactam um único produto de uma só vez.

Para construir IAs avançadas, não codifique essas consultas de forma rígida (hard-code). Use um sistema multiagente:

  • O Agente Coordenador (Coordinator Agent): Este agente planeja a consulta. Ele decide se a pergunta precisa de largura ou profundidade. Ele transforma o prompt do usuário em um parâmetro matemático para a consulta do grafo.
  • O Agente de Recuperação Recursiva (Recursive Retrieval Agent): Este agente avalia os nós conforme o banco de dados os encontra. Ele mantém os dados importantes e remove o ruído antes que o LLM os veja.

Esta arquitetura constrói sistemas que escalam sua investigação. Você obtém respostas completas que a busca vetorial não consegue fornecer.

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

Comunidade de aprendizado opcional: https://t.me/GyaanSetuAi