Graph RAG面试题

•Graph RAG （Retrieval-Augmented Generation）面——一种基于知识图谱的大模型检索增强实现策略

• 一、为什么需要 Graph RAG？
• 二、什么是 Graph RAG？
• 三、Graph RAG 思路介绍？
• 四、用代码介绍 Graph RAG？
• 五、用示例介绍 Graph RAG？

•六、Graph RAG 排序优化方式？

地址：https://siwei.io/graph-rag/

一、为什么需要 Graph RAG？

虽然 Ilamaindex 能够利用摘要索引进行增强的方案，但这些都是利用非结构化文本在做。 对于知识图谱，是否可以将其作为一路召回，提高检索的相关性，这个可以利用好知识图谱内部的知识。 知识图谱可以减少基于嵌入的语义搜索所导致的不准确性。 eg：“保温大棚”与“保温杯”，尽管在语义上两者是存在相关性的，但在大多数场景下，这种通用语 义（Embedding）下的相关性很高，进而作为错误的上下文而引入“幻觉”。这时候，可以利用领 域知识的知识图谱来缓解这种幻觉。

二、什么是 Graph RAG？

Graph RAG （Retrieval-Augmented Generation），是一种基于知识图谱的检索增强技术，通过构建图模型的知 识表达，将实体和关系之间的联系用图的形式进行展示，然后利用大语言模型 LLM 进行检索增强。

三、Graph RAG 思路介绍？

Graph RAG 将知识图谱等价于一个超大规模的词汇表，而实体和关系则对应于单词。通过这种方式，Graph RAG 在检索时能够将实体和关系作为单元进行联合建模。 Graph RAG 思想：对用户输入的 query 提取实体，然后构造子图形成上下文，最后送入大模型完成生成

def simple_graph_rag （query_str, nebulagraph_store, 11m）： entities = _get_key_entities （query_str, 11m） graph_rag_context =_retrieve_subgraph_context （entities）

return_synthesize_answer （ query_str, graph_rag_context, 11m）

四、用代码介绍 Graph RAG？

1.使用 LLM （或其他）模型从问题中提取关键实体。

return _expand_synonyms （entities） 2. 根据这些实体检索子图，深入到一定的深度，例如可以是 2 度甚至更多。 def _get_key_entities （query_str, 1Im=None , with_11m-True）：

return _expand_synonyms （entities） 3. 利用获得的上下文利用 LLM 产生答案

def

_synthesize_answer （query_str, graph_rag_context, 11m）： return 1lm.predict （PROMPT_SYNTHESIZE_AND_REFINE, query_str, graph_rag_context） 这样一来，知识图谱召回可以作为一路和传统的召回进行融合。“

五、用示例介绍 Graph RAG？

示例一：当用户输入，tell me about Peter quil 时，先识别关键词 quil，编写 cypher 语句获得二跳 结果。

Tell me about Peter Quill2

Rendered Graph

示例二

用户输入：Tell me events about NASA

得到关键词：Query keywords：［ NASA，'events ］ 召回二度逻辑： Extracted relationships: The following are knowledge triplets in max depth 2 in the form of， subject ［ predicate, object, predicate_next_hop, object_next_hop ... ］

nasa ［' public release date'

RAG Subgraph Query （depth=2）

Rendered Grapn

nasa ［'announces’'，'future space telescope programs'］ nasa ［'publishes images of’，'debris disk'］

送入 LLM 完成问答。

INFO:1lama_index.indices. knowledge_graph. retriever：> Starting query: Tell me events about NASA > Starting query: Tell me events about NASA > Starting query: Tell me events about NASA

INFO:llama_index.indices.knowledge_graph.retriever：〉 Query keywords：［'NASA’，

Query keywords：［'NASA’，'events' ］ > Query keywords：［'NASA’，'events'］

INFO:1lama_index. indices. knowledge_graph. retriever：> Extracted relationships: The

following are knowledge triplets in max depth 2 in the form ofsubject ［ predicate，

object, predicate_next_hop, object_next_hop ...］］ nasa ［'public release date'，'mid-2023’］ nasa ［' announces’，'future space telescope programs'］ nasa ［'publishes images of’，'debris disk'］ nasa ［'discovers’，'exoplanet Ihs 475 b’］

Extracted relationships: The following are knowledge triplets in max depth 2 in

the form of“subject ［ predicate, object, predicate_next_hop, object_next_hop ...］） nasa ［'public release date'，'mid-2023'］ nasa ［' announces’，'future space telescope programs'］ nasa ［'publishes images of’，'debris disk'］ nasa ［'discovers’，'exoplanet Ihs 475 b’］

Extracted relationships: The following are knowledge triplets in max depth 2 in

the form ofsubject ［ predicate, object, predicate_next_hop, object_next_hop ...］ nasa ［'public release date'，'mid-2023'］ nasa ［'announces’，'future space telescope programs'］ nasa ［'publishes images of’，'debris disk'］

INFO:11ama_index.token_counter. token_counter：〉［ get_response ］ Total LLM token usage: 159 tokens > ［ get_response ］ Total LLM token usage: 159 tokens > ［ get_response ］ Total LLM token usage: 159 tokens INFO:11ama_index.token_counter. token_counter：〉 Lget_response ］ Total embedding token usage: 0 tokens > ［ get_response ］ Total embedding token usage: 0 tokens >［ get_response ］ Total embedding token usage: 0 tokens INFO:1lama_index.token_counter.token_counter：〉［ get_response ］ Total LLM token usage: 159 tokens > Lget_response ］ Total LLM token usage: 159 tokens > Lget_response ］ Total LLM token usage: 159 tokens INFO:11ama_index.token_counter. token_counter：〉 Lget_response」Total embedding token usage: 0 tokens > Lget_response」Total embedding token usage: 0 tokens