北京
分享至
标准RAG（检索增强生成）依赖向量相似度检索，适合答案集中在少数文档的局部查询。但在需要跨全部文档归纳模式的全局查询上，它的表现并不理想。
GraphRAG的解法
GraphRAG通过构建知识图谱、社区检测与分层摘要来应对这类问题。它不再单纯依赖向量匹配，而是先梳理文档间的结构关系，再逐层提炼信息。
微软测试结果
微软的测试显示，即便把上下文窗口扩展到64,000 tokens，向量检索在全局问题的全面性、多样性和来源质量上，与GraphRAG仍有差距。这意味着，面对分散在多个文档中的问题，GraphRAG能给出更完整、更多元的答案。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
