GRAPHRAG实践：使用知识图谱提升LLM和RAG应用性能

检索增强生成(RetrievalAugmentedGeneration，RAG)系统能够自动选择领域特定的上下文供大语言模型(LargeLanguageModel，LLM)使用，这大幅提升了LLM生成准确且内容真实的响应的能力。GraphRAG模式采用知识图谱构建RAG的输入，巧妙利用数据中的现有关系，生成内容丰富且相关性高的提示词。《GraphRAG实践：使用知识图谱提升LLM和RAG应用性能》一书详细介绍了如何构建和部署生产级别的GraphRAG系统，如何从文本中提取结构化知识，以及如何融合基于向量与图的检索方法。另外，还涵盖了构建向量相似性搜索检索工具、开发AgenticRAG应用及评估性能与准确性等诸多内容的实践案例。

托马兹？·布拉塔尼奇，是Manning出版社Graph Algorithms for DataScience(中文译本《数据科学的图算法》)一书的作者，也是Lang Chain和Llama Index的贡献者，他在图技术、机器学习和生成式AI领域拥有丰富的经验。

奥斯卡？·哈内(OskarHane)担任Neo4j生成式AI工程团队负责人。

第1章 提升LLM的准确性 1

1.1 大语言模型(LLM)介绍 2

1.2 LLM的局限性 6

1.2.1 知识时限问题 6

1.2.2 信息过时 7

1.2.3 纯粹幻觉 8

1.2.4 缺乏私有信息 9

1.3 克服LLM的局限性 10

1.3.1 监督微调 10

1.3.2 检索增强生成(RAG) 12

1.4 知识图谱：RAG应用的数据存储方案 16

1.5 本章小结 17

第2章 向量相似性搜索与混合搜索 19

2.1 RAG架构的组件 20

2.1.1 检索器 20

2.1.2 生成器 22

2.2 使用向量相似性搜索的RAG 23

2.2.1 RAG应用的数据准备阶段 24

2.2.2 文本语料库 24

2.2.3 文本分块函数 24

2.2.4 嵌入模型 26

2.2.5 具备向量相似性搜索函数的数据库 27

2.2.6 执行向量搜索 28

2.2.7 使用LLM生成答案 30

2.3 为RAG应用添加全文搜索以启用混合搜索 31

2.3.1 全文搜索索引 31

2.3.2 执行混合搜索 32

2.4 总结性思考 34

2.5 本章小结 34

第3章 高级向量检索策略 37

3.1  “后退提示”提示词 42

3.2 父文档检索器 44

3.3 完整的RAG管道 51

3.4 本章小结 53

第4章 从自然语言问题生成Cypher查询 55

4.1 查询语言生成的基础知识 56

4.2 查询语言生成在RAG管道中的定位 57

4.3 查询语言生成的实用实践 58

4.3.1 使用少样本示例进行上下文学习 58

4.3.2 在提示词中使用数据库模式向LLM展示知识图谱的结构 59

4.3.3 添加术语映射，将用户问题语义映射到模式 62

4.3.4 格式指令 63

4.4 使用基础模型实现text2cypher生成器 63

4.5 专门用于text2cypher的(微调)LLM 67

4.6 我们的学习收获与text2cypher的作用 67

4.7 本章小结 68

第5章 Agentic RAG 69

5.1 什么是Agentic RAG 70

5.1.1 检索器智能体 71

5.1.2 检索器路由器 71

5.1.3 答案评估器 72

5.2 为什么需要Agentic RAG 72

5.3 如何实现Agentic RAG 73

5.3.1 实现检索器工具 73

5.3.2 实现检索器路由器 77

5.3.3 实现答案评估器 82

5.3.4 整合所有组件 84

5.4 本章小结 85

第6章 使用大语言模型构建知识图谱 87

6.1 从文本中提取结构化数据 88

6.1.1 结构化输出模型定义 91

6.1.2 结构化输出提取请求 97

6.1.3 CUAD数据集 98

6.2 构建图谱 100

6.2.1 数据导入 102

6.2.2 实体解析 104

6.2.3 向图谱添加非结构化数据 106

6.3 本章小结 107

第7章 微软的GraphRAG实现 109

7.1 数据集选择 110

7.2 图索引 111

7.2.1 分块 112

7.2.2 实体与关系提取 114

7.2.3 实体和关系总结 120

7.2.4 社区检测与总结 126

7.3 图检索器 132

7.3.1 全局搜索 132

7.3.2 局部搜索 143

7.4 本章小结 152

第8章 RAG应用评估 153

8.1 设计基准数据集 155

8.2 评估 160

8.2.1 上下文召回率 160

8.2.2 忠实度 161

8.2.3 答案正确性 162

8.2.4 加载数据集 163

8.2.5 进行评估 163

8.2.6 观察结果 165

8.3 下一步计划 167

8.4 本章小结 167

附录A Neo4j环境 169

参考文献 201