𝗞𝗻𝗼𝘄𝗹𝗲𝗱𝗴𝗲 𝗚𝗿𝗮𝗽𝗵𝘀: 𝗞𝗶𝗽𝗮𝗻𝗱𝗲 𝗞𝗶𝗹𝗶𝗰𝗵𝗼𝗸𝗼𝘀𝗲𝗸𝗮𝗻𝗮 𝗸𝗶𝗻𝗮 𝗠𝗶𝗳𝘂𝗺𝗼 𝘆𝗮 𝗥𝗔𝗚
Mifumo mingi ya RAG hufuata njia rahisi. Nyaraka hugawanywa katika vipande (chunks). Vipande (chunks) hugeuka kuwa embeddings. Embeddings huishi kwenye kanzi data ya vector (vector database). Utafutaji wa ufanani (similarity search) hupata maandishi. LLM hutoa jibu.
Hii inafanya kazi kwa chatbot nyingi. Inafanya kazi vizuri kwa kupata maandishi yanayofanana. Lakini inafeli unapohitaji kuelewa uhusiano.
Kanzi data za vector hutafuta vitu vinavyoonekana kufanana. Hazielewi jinsi vitu vinavyounganishwa.
Angalia ukweli huu:
- React inatumiwa katika Project A.
- Project A inatumia mfumo wa RAG.
- Mfumo wa RAG unatumia ChromaDB.
Binadamu huona uhusiano: React inapelekea Project A, ambayo inapelekea RAG, ambayo inapelekea ChromaDB. Kanzi data ya vector huona vipande vinne tofauti vya maandishi.
Ukimuuliza utafutaji wa vector "Ni miradi gani inatumia React na AI?", inaweza kutaabika. Inatafuta nyaraka zenye maneno hayo. Haifuati njia kati yake.
Hapa ndipo knowledge graphs zinaposaidia. Knowledge graph huhifadhi entities na miunganisho yao. Inachora ramani ya viungo kati ya dhana (concepts).
Huhitaji kubadilisha kanzi data yako ya vector. Unapaswa kutumia zote mbili. Hii inaitwa Graph-RAG.
Vector store hushughulikia upatikanaji wa kimaana (semantic retrieval). Graph store hushughulikia upatikanaji wa uhusiano (relationship retrieval). Kwa pamoja, zinampa wakala wako wa AI muktadha bora zaidi.
Tumia tabaka ya grafu (graph layer) wakati data yako inajumuisha:
- Nyaraka za kiufundi
- Kumbukumbu za utafiti
- Mwongozo wa bidhaa
- Maarifa ya shirika
Watumiaji wanataka mawakala (agents) wanaofanya zaidi ya kutafuta nyaraka. Wanataka mawakala wanaounganisha mawazo. Wanataka mawakala wanaoelezea utegemezi (dependencies).
Acha kujenga mifumo inayotafuta tu. Anza kujenga mifumo inayofanya mantiki (reason).
Chanzo: https://dev.to/vishdevwork/knowledge-graphs-the-missing-piece-in-most-rag-systems-1j75
Jumuiya ya kujifunza ya hiari: https://t.me/GyaanSetuAi