Graphrag
PulseAugur coverage of Graphrag — every cluster mentioning Graphrag across labs, papers, and developer communities, ranked by signal.
- developed vector RAG 90%
- competes with vector RAG 80%
- used by CatalyzeX Code Finder for Papers 70%
- instance of Influence Flower 70%
- used by Influence Flower 70%
- instance of CatalyzeX Code Finder for Papers 70%
- uses vector RAG 60%
- other vector RAG 60%
- competes with Vector Search 60%
- developed by vector RAG 50%
- used by Vector Search 50%
- uses Vector Search 50%
- 2026-06-04 research_milestone A developer demonstrated GraphRAG's effectiveness in reducing LLM token usage and maintaining accuracy. 来源
12 天有情绪数据
-
Lightfoot系统为问答提供高效、无模型的GraphRAG
研究人员推出了一种新颖的图检索增强生成(GraphRAG)系统Lightfoot,该系统专为高效准确的多跳问答而设计。与之前的系统不同,Lightfoot的图构建和文档删除过程是确定性的且无模型的,显著降低了计算成本并确保了数据完整性。该系统在MuSiQue和HotpotQA等基准测试中表现出与HippoRAG 2等现有方法相当的性能,同时为管理大型文档语料库提供了更具成本效益和更精确的方法。
-
新框架增强多模态知识图谱检索增强生成
一篇新研究论文提出了一个名为上下文增强多模态知识图谱(CEMMKG)的框架,用于改进多模态知识图谱上的检索增强生成(RAG)。当前的方法通常独立处理不同模态,导致图像和文本之间存在语义鸿沟。CEMMKG通过在局部和全局范围内用互补的文本上下文丰富图像来解决这个问题,从而能够捕获更详细和相关的信息。
-
RAG 研究着手解决引用问题、代理记忆和基准有效性 · 跟踪 1 个来源
检索增强生成 (RAG) 的最新进展凸显了引用准确性、代理记忆和基准有效性方面的挑战。一项研究发现,高达 15.7% 的 RAG 引用未能准确反映检索到的信息,表明存在忠实性问题。新研究还引入了 MIRIX-2.0 和 DISCERN 等高级代理记忆系统,解决了写作和信息解析中的瓶颈,并提出了 ParseBench-2 来暴露影响 RAG 性能的文档解析中的弱点。此外,AutoOntic 旨在通过从文本中自动诱导本体来改进 Graph…
-
DotRAG算法通过LLM引导的路径查找增强了GraphRAG
研究人员推出了一种新颖的检索算法DotRAG,旨在增强图检索增强生成(GraphRAG)系统的性能。这种无需训练的方法利用LLM推理来高效地导航复杂的知识图谱并识别相关的关系路径。DotRAG构建实体-关系知识图谱,生成概述,并采用可达性索引来优化检索。在查询时,它利用概述来精确定位有希望的图区域并假设关系序列,与MetaQA和STaRK-MAG等任务上的现有基线相比,显著提高了召回率和效率。
-
Lightfoot 系统通过高效的文档删除功能简化了 GraphRAG
一个名为 Lightfoot 的新系统已被开发用于基于图的检索增强生成(GraphRAG),专门解决了已部署系统中图构建和文档删除的挑战。Lightfoot 确保所有图元素都从文本片段提取中确定性地派生出来,从而能够通过每个文本片段的单次语言模型调用进行高效索引,并实现无模型的检索和删除操作。与其他的 GraphRAG 方法相比,该系统在索引构建方面展示了成本节约,并在各种问答基准测试中表现出具有竞争力的性能,尽管在特定数据集上存在一些权衡。
-
HyperGraphPro 通过进度感知RAG增强多跳问答
研究人员推出了一种新颖的框架HyperGraphPro,旨在通过改进检索和强化学习信号来增强多跳问答。该系统专注于进度感知超图检索,该检索根据查询条件结构独特性对候选超边进行重新排序。HyperGraphPro还结合了分步进度感知策略优化,以更好地指导推理过程,从而在多跳问答基准测试中提高准确性。
-
新的VeriCypher框架改进了知识图的LLM生成的Cypher查询
研究人员开发了VeriCypher,一个新颖的框架,旨在提高大型语言模型(LLMs)为知识图问答生成Cypher查询的准确性。该系统通过引入命名实体验证机制,解决了处理标记属性图(LPGs)的挑战。VeriCypher通过将生成的组件与目标图和模式进行比对来迭代地优化查询,纠正不匹配之处,以提高答案的正确性和查询的鲁棒性。
-
LOKĀNTRA平台使用多智能体AI模拟社会反应
LOKĀNTRA是一个新的人工智能驱动平台,专为多智能体模拟和蜂群智能而设计。它将现实世界的文档转化为交互式知识图谱,使用户能够模拟不同AI智能体如何对事件做出反应并影响结果。该平台集成了各种AI工具和技术,包括用于知识图谱的TigerGraph,用于智能体模拟的CAMEL-AI和OASIS,以及用于决策智能的LAYA,旨在超越静态AI预测,实现交互式未来探索。
-
GraphRAG 增强企业文档检索,优于向量搜索
一篇新研究论文提出 GraphRAG,一种利用知识图谱丰富企业文档检索的新型检索增强生成(RAG)方法。在对 SEC EDGAR 数据集快照进行的实验中,GraphRAG 的表现优于传统的向量 RAG 和 text-to-SQL 方法,成功回答了 20 个问题中的 16 个,而向量 RAG 为 3 个,text-to-SQL 为 10 个。该研究强调了 GraphRAG 在处理公司归属和防止身份混淆方面的优势,但也指出了其在结构化聚合…
-
FieldGuideRAG使用图像基础图谱进行细粒度物种识别
研究人员推出FieldGuideRAG,一种新颖的无需训练的GraphRAG方法,用于使用视觉语言模型进行细粒度物种识别。该方法通过将照片存储在知识图谱节点上,使模型能够根据视觉数据验证查询,而不是仅仅依赖文本描述,从而增强了识别能力。FieldGuideRAG将验证分数与地理分布数据和生态事实相结合,在CUB-200和iNaturalist等数据集上展示了优于现有检索方法的性能。
-
GraphRAGProv 通过溯源追踪增强 AI 回答的透明度
研究人员推出 GraphRAGProv,这是一种旨在增强 GraphRAG 系统生成答案的透明度和可信度的新型架构。该系统利用资源描述框架 (RDF) 图和 SPARQL 查询,不仅可以计算答案,还可以生成详细的“how-provenance”多项式。这些多项式详细记录了使用了哪些陈述以及如何组合它们,将每个陈述与其原始源文本相关联。这使得用户能够追溯信息的来源并验证文本到图的转换的准确性,从而提高 AI 生成响应的不可知性,尤其是在…
-
GraphRAG 增强企业文档检索,优于向量 RAG
研究人员开发了一种名为 GraphRAG 的新方法,用于增强企业文档检索的检索增强生成(RAG)系统。通过将知识图谱与元数据和频繁变化的信息相结合,GraphRAG 在使用 SEC EDGAR 文件进行的基准测试中,显著优于传统的向量 RAG 和文本到 SQL 方法。GraphRAG 系统在不同类别的 20 个问题中成功回答了 16 个,展示了其在处理复杂查询和避免事实错误(尤其是在公司归属方面)方面的卓越能力。
-
无模式文本到SQL从查询日志中学习企业数据库结构
研究人员开发了一个新颖的文本到SQL框架,该框架无需完整的模式文档即可运行,这是企业数据库环境中常见的挑战。该新系统通过分析历史查询日志来学习数据库结构,识别表和列之间的隐式关系。通过从查询模式构建知识图谱并采用实体驱动的GraphRAG检索,该框架将用户问题与领域术语联系起来,在性能上显著优于传统的基于嵌入的检索方法。在工业部署和Beaver基准上的评估表明,其可执行性和答案质量得到了显著改善,专家数据工程师对新系统表现出强烈偏好。
-
UniGFM-RAG 将图基础模型与大语言模型集成,以增强检索与推理能力
研究人员开发了 UniGFM-RAG,一个新颖的端到端框架,它统一了图基础模型(GFMs)与大语言模型(LLMs),以改进检索与推理。该方法将 GFM 检索器与 LLM 生成器紧密耦合,允许将结构化图信息直接注入 LLM 的生成过程。该系统使用可微分图桥将检索到的文档节点嵌入投影为软加权图前缀,从而实现检索与推理的端到端优化。为了减少对昂贵标注的依赖,一个语义引导的蒸馏模块提供了辅助监督。
-
新的HyperAddress方法提升了多跳RAG性能
研究人员开发了HyperAddress,一种新颖的基于图的检索增强生成(GraphRAG)方法,可增强多跳问答能力。与累积相关性错误或产生高推理成本的现有方法不同,HyperAddress利用注意力头在任何生成发生之前解决隐式实体引用。该方法利用描述标记超图上的个性化PageRank,并通过注意力头引导检索过程。实验表明,HyperAddress在MuSiQue和HotpotQA等数据集上显著优于当前基线,提供了更快的查询时间和更低的…
-
GraphRAG 与 Vector RAG:选择正确的企业搜索方法
企业搜索选择 GraphRAG 还是 Vector RAG 取决于所提问题的性质。Vector RAG 擅长检索与查询语义相似的信息,回答“什么看起来像这样”。而 GraphRAG 则通过导航实体之间的关系来回答需要组合的复杂问题,例如“什么与此相关,以及如何相关?”。虽然向量搜索对于答案包含在单个文档中且内容陈旧问题不构成问题的简单查找已足够,但 GraphRAG 对于需要通过遍历实体关系从多个来源组装信息的问题是必需的。许多成熟的…
-
HazelJS 为 Node.js 代理引入多层上下文框架
HazelJS 推出了一种用于管理 Node.js 应用程序中上下文层的新框架,超越了传统的检索增强生成(RAG)。该框架包含四个互补层:用于文档检索的 RAG、用于重用稳定知识的缓存增强生成(CAG)、用于具有来源的结构化领域知识的知识增强生成(KAG)以及用于用户或会话连续性的内存。这种多层方法旨在为 AI 代理提供更强大、更高效的上下文管理,HazelJS 为每个层提供专用软件包和可运行示例。
-
GraphRAG框架利用LLM增强基因表达分析
研究人员开发了基于图的过表达检索增强生成(GBOR-RAG)框架,该框架旨在增强基因表达研究的解释能力。该系统从多个基因集数据库构建统一的知识图谱,实现更高效、更互联的分析。GBOR-RAG不仅显著减少了查询时间,还通过在检索到的证据子图上对LLM进行条件化,生成更忠实的生物学解释,并增加了文献层以进一步提高质量。
-
GraphRAG 与 LLM维基:比较LLM知识库方法
文章比较了两种构建LLM驱动的知识库的方法:GraphRAG和LLM维基。两种方法都使用LLM将原始数据提炼成更结构化的表示,但它们面临着相似的挑战,例如不准确的摘要、过时的信息、来源归属丢失以及评估困难。作者建议,对于较小的项目,由于其结构更简单,从LLM维基开始可能更实用。
-
新研究增强LLM图推理和检索能力;发布软件更新
近期研究探索了用于大型语言模型的先进图推理和检索技术。一篇论文介绍了联邦图RAG(FedGRAG),可在不损害隐私的情况下为LLM实现分布式知识图谱,性能优于现有方法。另一项研究提出用于分子属性预测的片段级图编码,在具有更小图谱的情况下实现了与原子级方法相当的准确性,并提供了更具可解释性的结果。此外,一种新方法使用可学习的图位置编码来扩展语言模型中的图推理能力,减轻了上下文负担并提高了尺寸泛化性。在软件开发方面,llama.cpp发布…