Graph RAG
PulseAugur coverage of Graph RAG — every cluster mentioning Graph RAG across labs, papers, and developer communities, ranked by signal.
7 天有情绪数据
-
大语言模型智能体与空间知识图谱评估邻里宜居性
研究人员开发了一个创新的框架，将空间知识图谱（KGs）与大语言模型（LLMs）相结合，以评估邻里宜居性。该系统通过使用空间知识图谱检索上下文信息，并利用大语言模型创建结构化日程表来生成和优化家庭日程。随后，该框架利用基于GIS的网络分析来推导出行路径和时间，从而能够进行合成访谈，与模拟居民交流，评估日常便利性和可达性负担。在深圳的原型演示突出表明，名义上的设施可用性并不能保证行动不便或承担照料责任的居民能够方便地使用。
-
图 RAG 使用知识图谱解决复杂问题
一个演示展示了图 RAG 如何结合知识图谱和多跳推理来解决复杂问题。该示例涉及一个虚构场景，即一颗钻石在一列行驶的火车上消失，说明了这种人工智能方法在寻找传统向量搜索可能忽略的细微线索方面的能力。
-
Graph RAG 将电子邮件转化为知识图谱
一个项目探索了使用图检索增强生成（Graph RAG）将公司电子邮件转化为可导航的知识源。通过将电子邮件及其关系建模为知识图谱，该系统旨在克服传统关键词搜索在理解对话上下文以及人、项目和决策之间的联系方面的局限性。这种方法通过明确映射关系，补充了 Microsoft 365 Copilot 等现有工具，从而能够进行依赖于相互关联信息的更细致的查询。
-
新的CLAIR-Fin框架解决了金融问答中的AI幻觉问题
研究人员推出CLAIR-Fin，一个新颖的九智能体框架，旨在增强跨模态金融问答系统的验证能力并减少幻觉。该框架将问题分解为原子声明，利用不对称证据权威根据声明类型评估证据可靠性，并通过链式监管验证跟踪智能体之间的基础关联。自适应反驳周期促进对有争议声明的对抗性辩论，并设有幻觉风险指数来监控验证进度。在BB-FinQA-X数据集上评估，与现有的检索增强生成基线相比，CLAIR-Fin显著提高了忠实度。
-
Noesis架构通过自适应并行和语义发现增强了Graph-RAG
研究人员推出了一种新颖的Graph-RAG架构Noesis，旨在克服当前系统的局限性。Noesis采用四种算法来解决静态分块、自适应扩展和多领域部署的挑战。该系统在速度和效率方面取得了显著改进，在零内存溢出事件的情况下实现了23倍的速度提升，并在消费级GPU上实现了6.3倍的速度提升，同时在HotpotQA基准测试中也超越了现有方法。
-
Noesis架构通过自适应并行和跨知识库路由增强Graph-RAG · 跟踪2个来源
研究人员推出了一种新颖的Graph-RAG架构Noesis，旨在克服将大型语言模型与领域特定知识进行基础化的局限性。Noesis采用了四种关键算法：用于模拟人类阅读的双向图遍历、用于实现23倍加速的自适应扩展的AIMD并发控制器、用于提供消费级GPU上6.3倍加速的领域感知量化的Moesis，以及用于跨知识库语义路由的Mesh。该系统在HotpotQA基准测试中表现出显著的改进，达到了59.5 EM / 74.7 F1，比现有的Gra…
-
GraFine通过检索时精炼增强图RAG
研究人员推出GraFine，一种增强图检索增强生成（RAG）系统的新方法。GraFine通过在查询时精炼检索来解决现有方法的局限性，从而提高准确性和效率。该系统采用语义邻近扩展（SPX）来添加相关节点，并使用图平滑重排器（GSR）进行剪枝，从而提高检索和生成质量。
-
开源工具将文本转换为知识图，用于本地AI应用
一个名为 knowledge_graph 的新开源项目使用户能够将任何文本转换为概念图。然后，该图可用于 Graph RAG 或问答应用程序。该工具通过 Ollama 在本地使用 Mistral 7B 模型运行，无需 GPT 等外部 API。
-
Graph RAG 增强了处理复杂查询的能力，超越了标准的检索方法
本文探讨了标准检索增强生成（RAG）系统在面对复杂查询时的局限性。它介绍了图 RAG 作为一种解决方案，该方案利用图结构来更好地理解和回答传统 RAG 难以处理的复杂问题。文章强调了图 RAG 如何提高更复杂的检索任务的响应准确性和深度。
-
Graph RAG系统应对知识图谱更新挑战
本文探讨了维护企业知识图谱所面临的挑战，特别是处理增量更新时的问题。作者开发了一个用于东亚企业情报的Graph-RAG系统，并强调了边界实体解析和缺乏时间上下文的事实取代等问题。提出的解决方案包括用于实时实体匹配的“resolve_against_live_graph”模式，以及将属性值建模为有时间限制的断言以有效管理历史数据。
-
DeCoRAG 管道增强了用于复杂文档的多模态 RAG
研究人员推出了一种新颖的多模态图 RAG 管道 DeCoRAG，旨在改进复杂文档的理解。这种新方法解决了“视觉注意力陷阱”问题，即视觉语言模型在处理密集布局时遇到困难，导致语义丢失和高计算成本。DeCoRAG 采用“认知解耦”和“语义锚点”来解决此问题，并指导“区域感知剪枝和裁剪”（RAP-Crop）机制。该方法优化了推理空间，使其专注于相关的语义簇，从而显著提高了准确性并减少了 token 使用量。
-
新平台统一并可视化各种图RAG工作流
研究人员开发了GraphContainer，一个旨在统一和可视化各种图RAG（检索增强生成）工作流的新平台。该平台解决了当前图RAG方法中存在的碎片化和不兼容问题，这些问题阻碍了对检索行为的评估和比较。GraphContainer包含一个统一图表示层，用于标准化各种图格式，以及一个图记录器，用于跟踪和可视化检索过程，从而更容易调试和比较不同的图格式和检索策略。
-
规范驱动开发需要与组织工具集成以支持AI代理
规范驱动开发（SDD）正作为AI辅助软件开发的关键工作流程获得关注，但在与现有组织工具集成方面面临挑战。虽然SDD提供了诸如代码版本化规范和更好的代理理解等优势，但当规范孤立地保存在存储库中时，其有效性会受到阻碍。为了弥合这一差距，提出的解决方案是将存储库规范视为内容的最终真相来源，而Jira和Azure DevOps等项目管理工具则负责管理执行状态，如分配和冲刺状态。这种方法旨在防止在尝试手动同步时经常出现的规范与实现之间的漂移，确…
-
TRIAGE 框架增强了 Graph-RAG 系统的可信度
研究人员推出 TRIAGE，一个旨在评估和确保用于基于图的检索增强生成 (Graph-RAG) 系统的知识图谱可信度的新框架。该框架通过为知识图谱的实现、验证和使用提供特定阶段的指标，解决了自动生成的知识图谱的挑战。TRIAGE 旨在定位 Graph-RAG 管道中的故障，从而能够针对提取、图构建或检索中的问题进行有针对性的补救。
-
新方法增强了用于AI问答的知识图谱检索
研究人员开发了一种新的查询感知传播激活方法，用于知识图谱上的多跳检索，旨在改进检索增强生成系统。该方法通过使用语义门来增强遍历，该语义门根据候选实体描述与问题的相似度来对其进行加权。从种子映射到上下文组装的整个检索过程，在Neo4j数据库内作为单个Cypher查询执行，防止图谱离开其原生环境。该方法在MuSiQue等基准测试中表现出具有竞争力的性能，与现有的先进系统相当，同时显著降低了检索延迟。
-
研究发现：视觉RAG对图表至关重要；文本RAG失败 · 跟踪3个来源
一个关于在金融PDF上进行检索增强生成（RAG）架构的三部分系列研究得出结论：基于视觉的RAG对于从图表中准确提取信息至关重要，在此方面显著优于基于文本的方法。虽然文本RAG可以相当准确地处理纯文本和表格，但它无法解释视觉数据。相反，图RAG虽然在响应方面高度忠实，但在处理金融文件中常见的直接数据查找时遇到困难，导致正确性得分较低。研究强调，标准的RAGAS指标可能具有误导性，因为忠实度并不总是与准确性相关，尤其是在系统谨慎地避免回答…
-
图增强RAG改进金融情感分析
研究人员开发了一种新颖的Graph-RAG架构，通过整合实体间的结构化关系来改进金融情感分析。这种新方法通过图遍历增强了传统的基于向量的检索，使其能够捕捉对金融市场至关重要的复杂多实体连接。比较研究表明，Graph-RAG在不影响整体答案质量的情况下，显著提高了实体召回率和复杂查询（特别是涉及实体间关系的查询）的答案相关性。
-
开发者发现大语言模型捏造证据，编造引文
一位正在构建因果链智能系统的开发者发现，用于证据提取的大语言模型（LLM）捏造了来源文档中的引文。这些捏造的引文，通常是通过在文章不同部分的句子之间添加省略号来组合而成，看起来非常可信，但实际上并不存在于原文中。当文章被截断以适应上下文窗口时，这个问题会加剧，导致模型在实际支持性文本被切断时编造证据。开发者通过确保提取的证据引文是源文档的精确子字符串，如果引文不在字面上存在则拒绝任何关联，并清理了之前包含捏造证据的已提交数据，从而解决了这个问题。
-
新的GraphSteal攻击可重建RAG系统中90%的知识图谱
研究人员开发了一种名为GraphSteal的新方法，可以重建用于图检索增强生成（RAG）系统的知识图谱的很大一部分。该攻击框架通过自适应黑盒交互进行演示，能够以高保真度恢复原始知识图谱的90%以上，揭示敏感实体、关系和结构依赖性。所提出的方法利用深度优先启发式搜索来获取节点属性，利用广度优先扩散搜索来获取图拓扑，突显了图RAG系统中的一种新的隐私漏洞，而目前的保护措施难以解决。
-
向量 RAG 与图 RAG：选择正确的 LLM 知识检索方法
本文比较了两种用于大型语言模型的检索增强生成 (RAG) 的主要方法：向量 RAG 和图 RAG。向量 RAG 使用存储在向量数据库中的文本块的相似性检索，具有简单和快速的优点。相反，图 RAG 将知识建模为节点和关系，能够基于结构化上下文和多跳推理进行检索。两者之间的选择取决于查询的复杂性以及关系与语义相似性的重要性。