TigerGraph
PulseAugur coverage of TigerGraph — every cluster mentioning TigerGraph across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
TigerGraph 黑客马拉松比较 RAG、GraphRAG 和 Agentic 方法
一个名为 OlympicRAG 的黑客马拉松项目探索了使用 TigerGraph 的不同问答管道的有效性。该项目比较了标准的检索增强生成 (RAG) 方法、利用图结构的 GraphRAG 方法以及 Agentic GraphRAG 系统。Agentic GraphRAG 使用专门的代理来执行实体链接和多跳推理等任务，被证明是每个正确答案的成本效益最高的方法，并确保其所有响应都有引用的证据支持。然而，所有管道在计数问题上都遇到了困难，即…
-
Agentic GraphRAG系统在奥运会问答基准测试中优于RAG和GraphRAG
一位开发者构建并对三个问答系统进行了基准测试：RAG、GraphRAG和Agentic GraphRAG，使用了2951篇与奥运会相关的文档。Agentic GraphRAG系统表现优于其他系统，比标准RAG的结果好2.24倍，比单次GraphRAG好1.24倍，同时还显示出更低的失败率。该项目强调，传统的RAG在需要跨多个文档进行聚合的问题上表现不佳，因为其语义搜索侧重于相似性而非结构化数据检索。
-
Claude AI 助力图工程精通 14 步路线图
本文概述了图工程师的 14 步路线图，详细介绍了如何在学习和开发过程中利用 Claude AI 模型。它涵盖了基础概念、实践技能以及各种图数据库和查询语言的使用。该指南旨在将个人从初学者转变为熟练的图架构师。
-
Graphify 设置指南：兼容性和性能洞察
文章讨论了 Graphify（一种用于图数据的工具）的设置过程，重点介绍了它与各种数据库系统的兼容性和局限性。文章详细介绍了作者将 Graphify 与 Neo4j、AWS 以及 MongoDB Atlas、ArangoDB 和 TigerGraph 等其他流行数据库集成的经验。作者还触及了成本问题以及 Graphify 在不同环境下的性能，包括其与 Docker 和 Kubernetes 的使用。
-
RDF/OWL 与属性图：为 AI Agent 选择正确的语义架构
本文探讨了架构师在为 Agentic AI 系统选择 RDF/OWL 和属性图之间的决策过程。文章认为，核心问题不在于哪种技术更优越，而在于所要解决的语义问题的性质。属性图适用于具有显式关系和遍历需求的单系统 Agent，而 RDF/OWL 对于需要共享含义和可审计 Agent 流程的跨平台、受监管的工作流至关重要。
-
GraphRAG 将 LLM 令牌数量减少 9.3%，同时提高准确性
一位开发者展示了 GraphRAG，一种利用知识图谱进行检索增强生成的方法，与传统的 RAG 相比，可以显著减少令牌使用量。通过遍历知识图谱而不是依赖相似性搜索，GraphRAG 为 LLM 提供了更集中的上下文。在生物医学研究论文的基准测试中，GraphRAG 在保持 100% 答案准确性的同时，实现了 9.3% 的令牌减少。
-
GraphRAG 在黑客松演示中将 LLM 令牌数量减少 56%
一个黑客松项目展示了 GraphRAG，一种利用知识图谱进行信息检索的方法，可以显著减少 LLM 查询中的令牌使用量。通过遍历图谱中的连接事实，而不是依赖文档块的相似性搜索，GraphRAG 在保持答案准确性的同时，实现了比基本 RAG 减少 56.4% 的令牌使用量。这种方法对于复杂的多跳问题尤其有效，为向 LLM 提供上下文提供了一种更结构化、更有效的方式。
-
GraphRAG通过检索连接知识来减少LLM令牌使用量
使用TigerGraph的GraphRAG方法开发的两个项目展示了其在减少令牌使用量和提高大型语言模型答案质量方面的有效性。这两个系统一个专注于网络安全，另一个专注于生物医学，将GraphRAG与传统的纯LLM和基础RAG方法进行了比较。通过利用知识图谱检索连接的实体和关系，GraphRAG为LLM提供了更集中的上下文，从而在保持准确性的同时降低了成本和延迟。
-
CyberGraph RAG 使用 TigerGraph 改进 LLM 网络安全分析
研究人员开发了 CyberGraph RAG，一个旨在通过利用图数据库来改进大型语言模型处理网络安全数据方式的系统。与难以处理网络安全威胁关系性的传统 RAG 不同，CyberGraph 将威胁行为者和漏洞等实体建模为 TigerGraph 中的一个图。这种方法可以更集中地检索相关关系，与仅使用 LLM 或基本向量 RAG 的方法相比，可减少 token 使用量、降低延迟并提高响应的事实一致性。
-
GraphRAG 基准测试显示其比 RAG 和仅 LLM 的效率更高
在 TigerGraph 黑客松期间，两位开发者构建了基准测试平台，以比较大型语言模型（LLM）的推理管道。他们的工作旨在展示结合了基于图的检索的方法 GraphRAG，如何优于传统的仅 LLM 和基础 RAG 方法。通过使用人工智能研究论文和医学信息的数据集，他们评估了 token 使用量、延迟、成本和响应质量，以显示 GraphRAG 的效率和准确性优势。
-
Spartans-GraphRAG 利用知识图谱降低 LLM 令牌成本
一个名为 Spartans-GraphRAG 的新系统已被开发出来，以提高大型语言模型 (LLM) 推理的效率，特别是在网络安全威胁情报等复杂任务中。与传统的检索增强生成 (RAG) 方法相比，该系统利用知识图谱来减少令牌消耗。通过将关系表示为紧凑的三元组而不是冗长的句子，Spartans-GraphRAG 在保持或提高分析准确性的同时，显著减小了提示的大小和相关成本。
-
GraphRAG 在量子论文上将 token 使用量减少 60%
为 TigerGraph GraphRAG 推理黑客马拉松开发的一个项目表明，GraphRAG 在处理复杂查询时能显著减少 token 消耗并提高准确性。通过构建实体及其关系的知识图谱，与传统的基于向量的 RAG 相比，GraphRAG 能够实现更集中的检索。在对超过 200 万篇量子计算研究论文摘要进行基准测试时，GraphRAG 的准确率达到了 90%，优于仅使用 LLM 和基础 RAG 的管道。