Понимание многошаговых рассуждений
Векторные базы данных подходят для семантического поиска. Однако они с трудом справляются с многошаговыми рассуждениями, связывающими людей, системы и события.
Стандартный RAG извлекает фрагменты текста на основе математических расчетов. Он упускает связи между точками данных. GraphRAG решает эту проблему. Он подключает большие языковые модели (LLM) к живому графу знаний.
Текстово-атрибутированный граф (Text-Attributed Graph) использует узлы и ребра.
- Узлы — это сущности, такие как пользователи или продукты.
- Ребра — это отношения, такие как «IMPACTS» или «CLONED_FROM».
- «Шаг» (hop) — это переход от одного узла к другому через ребро.
Многошаговые рассуждения позволяют находить связи, которые не содержатся ни в одном отдельном документе.
Пример: Пользователь спрашивает: «Как мне исправить ошибку загрузки CSV?»
Стандартный RAG ищет по ключевым словам. Он может вернуть старый FAQ или случайный отчет об ошибке. При этом он упускает бизнес-контекст.
GraphRAG отслеживает точный путь: (User Bug Report) -> [CLONED_FROM] -> (Master Engineering Ticket) -> [HAS_RESOLUTION] -> (Patch Deployed).
Это дает LLM проверенные шаги вместо приблизительных догадок.
Вы можете управлять этим двумя способами:
Обход в глубину (Depth Traversal) Используйте его для детального изучения конкретных подробностей. Это полезно для анализа первопричин. В языке Cypher вы задаете диапазон шагов. Запрос может просматривать от 1 до 5 уровней в глубину, чтобы найти шаги для воспроизведения ошибки.
Обход в ширину (Breadth Traversal) Используйте его, чтобы увидеть всю экосистему. Он расширяется горизонтально, чтобы охватить все ближайшие связи. Это помогает увидеть все тикеты службы поддержки, влияющие на один конкретный продукт, одновременно.
Чтобы создавать продвинутый ИИ, не прописывайте эти запросы жестко в коде. Используйте мультиагентную систему:
- Агент-координатор (Coordinator Agent): Этот агент планирует запрос. Он решает, требуется ли для вопроса обход в ширину или в глубину. Он преобразует запрос пользователя в математический параметр для графового запроса.
- Агент рекурсивного поиска (Recursive Retrieval Agent): Этот агент оценивает узлы по мере их нахождения базой данных. Он сохраняет важные данные и отсеивает шум до того, как их увидит LLM.
Такая архитектура позволяет создавать системы, способные масштабировать процесс исследования. Вы получаете полные ответы, которые не может предоставить векторный поиск.
Дополнительное обучающее сообщество: https://t.me/GyaanSetuAi