GraphRAG: Улучшение RAG с помощью графов знаний и LLM

Книга представляет собой практическое руководство по созданию систем Retrieval-Augmented Generation (RAG), усиленных графами знаний (GraphRAG). Авторы подробно объясняют, как преодолеть ключевые ограничения больших языковых моделей (LLM), такие как устаревшая информация, галлюцинации и отсутствие доступа к приватным данным, с помощью извлечения релевантного контекста из внешних источников.

Основное внимание уделяется интеграции графов знаний (в частности, с использованием Neo4j) в архитектуру RAG для улучшения точности и связности извлекаемой информации. Рассматриваются как базовые компоненты (векторный поиск, гибридный поиск), так и продвинутые стратегии: step-back prompting, parent document retriever, агентный RAG и генерация Cypher-запросов на естественном языке.

В книге разбирается реализация GraphRAG от Microsoft, методы построения графов знаний с помощью LLM и подходы к оценке RAG-приложений. Издание ориентировано на разработчиков и инженеров по машинному обучению, которые хотят создавать более точные, объяснимые и эффективные системы вопросно-ответного поиска на основе собственных данных.