Neo4j的文章《GraphRAG 宣言：为 GenAI 增加知识》
http://t.cn/A6Qd3xX1
GraphRAG，即结合了知识图谱的RAG，通过将知识图查询整合进流程，提供了比仅基于向量检索更丰富的信息。它可以单独使用图数据库存储图形和向量，或在一个支持向量搜索的图数据库如Neo4j中结合存储。常见的GraphRAG模式包括：
🌟进行向量或关键词搜索以找到初始节点集。
🌟通过图遍历来获取相关节点的信息。
🌟可选地，使用基于图的排序算法如PageRank重新排序文档。
GraphRAG的生命周期与RAG类似，但增加了创建图的步骤。创建图类似于将文档切块并加载到向量数据库中，而图数据库的工具进步使得这个过程变得简单。图的迭代性意味着可以从最小可行图开始，逐步扩展和完善，以利用数据网络效应。

GraphRAG相对仅基于向量的RAG的主要优势体现在三个方面：
🌟提高答案的质量和准确性。
🌟增强上下文和解释性。
🌟改善数据控制和隐私保护。
GraphRAG正成为推动GenAI发展的重要趋势之一，尤其在需要高质量回答、解释性和精细数据访问控制的应用场景中。