資料內(nèi)容：
一、為什么需要 Graph RAG？
雖然 llamaindex 能夠 利用摘要索引進(jìn)行增強(qiáng)的方案，但這些都是利用非結(jié)構(gòu)化文本在做。
對于 知識圖譜，是否可以將其 作為一路召回，提高檢索的相關(guān)性，這個可以利用好知識圖譜內(nèi)部的知識。
知識圖譜可以減少基于嵌入的語義搜索所導(dǎo)致的不準(zhǔn)確性。
二、什么是 Graph RAG？
Graph RAG（Retrieval-Augmented Generation），是一種基于知識圖譜的檢索增強(qiáng)技術(shù)，通過構(gòu)建圖模型的知
識表達(dá)，將實體和關(guān)系之間的聯(lián)系用圖的形式進(jìn)行展示，然后利用大語言模型 LLM進(jìn)行檢索增強(qiáng)。
三、Graph RAG 思路介紹？
Graph RAG將知識圖譜等價于一個超大規(guī)模的詞匯表，而實體和關(guān)系則對應(yīng)于單詞。通過這種方式，Graph
RAG 在檢索時能夠?qū)嶓w和關(guān)系作為單元進(jìn)行聯(lián)合建模。
Graph RAG 思想：對用戶輸入的query提取實體，然后構(gòu)造子圖形成上下文，最后送入大模型完成生成
