GraphRAG 宣言：为 GenAI 添加知识
-
原文
-
菲利普·拉瑟尔图片 菲利普·拉瑟尔
7 月 11 日 阅读时长：22 分钟 -
我们正在进入 RAG 的“Blue Links”时代
GraphRAG 宣言。 -
我们即将意识到，要想用 GenAI 做任何有意义的事情，你不能只依赖自回归 LLM来做决定。我知道你在想什么：“RAG 就是答案。”或者微调，或者 GPT-5。
是的。基于向量的 RAG 和微调等技术可以提供帮助。它们对于某些用例来说已经足够好了。但还有另一类用例，这些技术都遇到了瓶颈。基于向量的 RAG（与微调一样）**增加了许多问题正确答案的概率。**然而，这两种技术都不能确保答案正确。它们通常还缺乏背景、色彩和与你所知道的真相的联系。此外，这些工具不会给你留下很多关于它们为什么做出特定决定的线索。
早在 2012 年，谷歌就推出了他们的第二代搜索引擎，并在一篇标志性的博客文章中发表了一篇名为“介绍知识图谱：事物，而不是字符串1 ”的文章。他们发现，如果使用知识图谱来组织所有这些网页中字符串所代表的事物