微软多部门联合推出GraphRAG项目：全面性和多样性方面显著优于原生大模型RAG

最新推荐文章于 2025-06-13 09:30:00 发布
最新推荐文章于 2025-06-13 09:30:00 发布
阅读量2.5k 收藏 10
点赞数 7
CC 4.0 BY-SA版权
分类专栏： # 大模型RAG检索增强/知识库 LLM大语言模型 知识图谱KnowledgeGraph 文章标签： microsoft
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/sinat_37574187/article/details/138219471

微软多部门联合推出GraphRAG项目：全面性和多样性方面显著优于原生大模型RAG

原创 PaperAgent PaperAgent 2024-04-26 13:34 湖北

微软多部门（ 微软研究院、微软战略任务与技术、微软CTO办公室）联合推出Project GraphRAG，大模型驱动的知识图谱。 

图片

Graph RAG项目介绍

图片

传统的RAG方法适用于局部文本检索任务，但不适用于全局性的查询聚焦摘要任务，例如“数据集中的主要主题是什么？”这类问题。为了解决这一问题，提出了一种基于图的方法Gr

了解本专栏 订阅专栏 解锁全文 超级会员免费看
微软的GraphRAG：智能问答系统的革命
强化学习曾小健
04-15 1809
通过将AI生成的知识图与私人数据集集成，GraphRAG承诺通过专注于上下文相关性的重要性来提高响应的准确性，这是长期困扰研究人员和用户的挑战。这种方法上的创新意味着与传统RAG系统的分道扬镳，后者通常依赖于固定的文件或数据源，限制了它们适应新问题或复杂问题的能力。面对跨多个领域的复杂问题或需要精细化理解的情况，这些系统常常出现问题，提供的答案虽然在技术上是正确的，却错失了被问到的问题的本质。随着这项技术的发展，类人理解和AI之间的界限可能会变得模糊，重新定义我们与技术以及推动我们世界的信息之间的关系。
百篇论文博文导航AI工程之路：FT、KG、RAG与Agent技术全方位探索
丨汀、的博客
07-08 8812
百篇论文博文导航AI工程之路：FT、KG、RAG与Agent技术全方位探索
微软重磅开源 GraphRAG：新一代 RAG 技术来了！
musicml的博客
07-07 9441
▼最近直播超级多，预约保你有收获今晚直播：《RAG/Dify 构建企业案例实战》—1—为什么需要 GraphRAG？7月3日，微软重磅开源了基于图的 RAG -- GraphRAG。在 GitHub 上发布后，短短4天时间，该项目迅速获得了 6000 Stars！足见这个项目的热度！Github 地址：https://github.com/microsoft/graphrag强化主流大模型，比...
GraphRAG：知识图谱+RAG技术
最新发布
2401_84208172的博客
06-13 1990
GraphRAG：结合知识图谱的检索增强生成技术 针对传统RAG在关系推理、数值处理和全局理解上的不足，GraphRAG引入知识图谱技术，通过构建结构化知识关系网络提升检索能力。微软2024年开源方案显示，GraphRAG利用LLM将非结构化数据转化为知识图谱，支持图查询和深度推理，在库存预测等场景中结合上下文逻辑关系，显著改善回答准确性。相比传统RAG的片段式检索，GraphRAG能捕捉隐性关联，避免冗余信息，并增强对复杂查询（如QFS任务）的处理能力。核心技术包括：知识图谱构建、图检索机制和LLM协同推
下一代 RAG 技术来了！微软正式开源 GraphRAG
stephen147的博客
07-08 7701
7 月 2 日，微软开源了 GraphRAG，一种基于图的检索增强生成 (RAG) 方法，可以对私有或以前未见过的数据集进行问答。在 GitHub 上推出后，该项目快速获得了 2700 颗 star！开源地址：https://github.com/microsoft/graphrag通过 LLM 构建知识图谱结合图机器学习，GraphRAG 极大增强 LLM 在处理私有数据时的性能，同时具备连点成线的跨大型数据集的复杂语义问题推理能力。
实战微软新一代RAG：GraphRAG强大的全局理解能力，碾压朴素RAG？
Python_cocola的博客
07-08 4429
大语言模型（LLM）是在大量数据上训练，但他们并不是在我们私有数据上训练，因此要想让LLM能够回答我们私有数据集上的问题，我们就得使用一种叫做检索增强生成（RAG）的技术。它的基本原理是加载我们的文档，然后将每个文档按照一定的规则，比如Token数量、字符数量、语义和层次分割等，将每个文档拆分为一个一个小片段（chunk）。然后使用嵌入技术对这些chunk生成embeding，存储到高维向量数据库中，生成索引Index。
源码解读 - 微软GraphRAG框架
stephen147的博客
07-09 2621
这几天微软开源了一个新的基于知识图谱构建的检索增强生成（RAG）系统, GraphRAG, 该框架旨在利用大型语言模型（LLMs）从非结构化文本中提取结构化数据, 构建具有标签的知识图谱，以支持数据集问题生成、摘要问答等多种应用场景。 GraphRAG 的一大特色是利用图机器学习算法针对数据集进行语义聚合和层次化分析，因而可以回答一些相对高层级的抽象或总结性问题, 这一点恰好是常规 RAG 系统的短板。 说实话之前一直有在关注这个框架, 所以这两天花了点时间研究了一下源码, 结合之前的一些技术文档，本文主要
大模型——最全梳理 一文搞懂RAG技术的5种范式！
03-26 483
高级 RAG 引入了具体的改进措施，以克服 Naive RAG 的局限性。为了提高检索质量，它采用了检索前和检索后策略。为了解决索引问题，高级 RAG 通过使用滑动窗口方法、细粒度分割和元数据的整合，改进了索引技术。此外，它还采用了多种优化方法来简化检索过程。模块化 RAG 架构超越了前两种 RAG 范式，具有更强的适应性和多功能性。它采用了多种策略来改进其组件，例如为相似性搜索添加搜索模块，以及通过微调完善检索器。为应对特定挑战，还引入了重组 RAG 模块和重排 RAG 管道等创新方法。
《深入浅出LLM基础篇》（四）：主流大模型介绍
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
05-13 2448
本篇为《深入浅出LLM基础篇》系列第四篇，《深入浅出LLM基础篇》（四）：主流大模型分类介绍主流大模型分类，主要讨论各类模型结构组成、模型特点、数据规模等进行介绍，包括 ChtaGLM、LLAMA等 系列，最后对经典问题进行总结，方便大家交流学习。
【课程总结】day28：大模型之深入探索RAG流程
Deadwalk的专栏
08-29 1344
在上一章【课程总结】day27：大模型之初识RAG中，我们初步了解了RAG的基本概念和原理，并通过代码实践了一个简单的RAG流程。本章我们将基于RAG的基本流程，深入了解文档读取(LOAD)文档切分(SPLIT)向量化(EMBED)和存储(STORE)的每个环节，并结合代码进行常见场景的实践。
最新开源震撼：微软GraphRAG技术深度解析
寻道AI，探索AI无限可能！
07-09 3782
2024年7月2日，微软开源了GraphRAG技术，这一举措不仅为AI领域带来了创新的解决方案，也为开发者社区注入了新的活力。GraphRAG，即基于图的检索增强生成（Graph-based Retrieval-Augmented Generation），是一种革命性的技术，它通过结合知识图谱和图机器学习，显著提升了LLM在处理私有数据时的性能。
下一代 RAG 技术来了！微软正式开源 GraphRAG：大模型行业将迎来新的升级？
DEVELOPERAA的博客
08-13 1657
7 月 2 日，微软开源了 GraphRAG，一种基于图的检索增强生成 (RAG) 方法，可以对私有或以前未见过的数据集进行问答。在 GitHub 上推出后，该项目快速获得了 2700 颗 star！
微软GraphRAG框架演进之路及带来的一些思考
m0_59164520的博客
11-27 1527
本文主要回顾了Graphrag(ms版本)的路程：GraphRAG第一版本2024年4月份，主打global/local search；2024年11月初，搜索优化引入Drift_search动态搜索（https://microsoft.github.io/graphrag/query/drift_search)；
微软GraphRAG：从开源到爆火，解锁新一代RAG技术
sscc001的博客
02-10 912
自2024年7月微软在GitHub上开源了基于图的检索增强生成（RAG）系统——GraphRAG以来，该项目迅速获得了开发者的广泛关注。短短几个月内，GraphRAG在GitHub上的星标数已经突破19000颗，成为目前最热门的RAG框架之一。GraphRAG是一种基于图的知识检索增强技术，它结合了知识图谱的广泛知识表示能力和大语言模型（LLM）的生成能力。与传统的RAG方法相比，GraphRAG通过构建知识图谱和社区层次结构，显著提升了复杂信息处理的能力。什么是GraphRAG？GraphRAG的优势。
微软GraphRAG，开启智能检索新篇章
2401_82452722的博客
08-01 1024
例如，Faiss库作为一种高效的向量数据库和搜索工具，为向量存储和搜索提供了强大支持，推动了NLP大模型的发展。它利用从大型语言模型中提取的知识图谱，将非结构化的文本数据重新组织成结构化的知识图谱，其中节点表示实体（如人物、地点、概念），边表示实体之间的关系。例如，在社交媒体和推荐系统中，GraphRAG可以通过结构化的图数据和非结构化的文本向量搜索，同时享受两者的优势，提高推荐的准确性和用户体验。通过将结构化的图数据和非结构化的文本向量搜索结合起来，能够充分利用两者的优势，实现更全面和精准的搜索结果。
微软开源GraphRAG的使用教程（最全，非常详细）
热门推荐
科研探索ing！研究方向：人工智能及优化
07-17 5万+
目前微软已经开源了GraphRAG的完整项目代码。对于某一些LLM的下游任务则可以使用GraphRAG去增强自己业务的RAG的表现。项目给出了两种使用方式： 1. 在打包好的项目状态下运行，可进行尝试使用。 2. 在源码基础上运行，适合为了下游任务的微调时使用。
微软 GraphRAG 与 传统 RAG 架构设计精髓
m0_59163425的博客
07-12 1300
在知识图谱构建完成后，GraphRAG会使用社区检测算法（如Leiden算法等）来识别图谱中紧密相关的实体组（社区）。
技术动态 | 微软发表GraphRAG论文并即将开源项目
开放知识图谱
05-03 1727
全文摘要:微软发表GraphRAG论文"From Local to Global: A Graph RAG Approach to Query-Focused Summarization"并即将开源项目，论文讨论GraphRAG方法，用于对文本语料库进行问题回答，结合了检索增强生成和图形索引，以提高答案的全面性和多样性。主要观点:- GraphRAG将检索增强生成与知识图谱索引相结合，用于问题回答...
微软 GraphRAG 项目学习总结
weixin_43837507的博客
03-27 1496
微软2024年4月份发布了一篇《From Local to Global: A GraphRAG Approach to Query-Focused Summarization》（GraphRAG：从局部到全局的查询式摘要方法）论文，提出了一种名为GraphRAG的检索增强生成（RAG）方法，用于查询式摘要任务。传统的RAG方法主要基于局部检索和生成，可能会忽略不同检索片段之间的全局关系，导致生成的摘要缺乏整体连贯性和深度。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

医疗AI强化曾小健

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值