- 综合排序
- 最热优先
- 最新优先
- 来自专栏AI进修生
Kotaemon：本地 Graph RAG UI，用Graph RAG 和 Hybrid RAG与文档畅聊（支持Ollama）
☄️今年夏天，我们首先迎来了Graph RAG的发布，这是一个用于高级搜索和嵌入的终极RAG引擎。 Graph RAG是一个数据管道和转换套件，旨在利用LLM的强大功能从非结构化文本中提取有意义的结构化数据。 有一个新的项目： 这是一个基于RAG的工具，用于与你的文档聊天，它支持实现Hybrid RAG和Graph RAG。 基本上，Kotaemon是一个设计用于提供功能性RAG UI的项目，在这里你可以实现不同的RAG技术，例如Graph RAG、Hybrid RAG以及向量检索。 基本上，这就是Kotaemon，它是一个非常棒的开源RAG UI，允许你在其UI组件中实现Hybrid RAG和Graph RAG。
1.8K11编辑于 2024-12-02 - 来自专栏AgenticAI
RAG新SOTA！港中深发布Graph-based RAG统一框架，深度评估现有Graph-based RAG框架！
基于图的检索增强生成（Graph-based RAG）通过将图结构中的外部知识集成至 LLM，有效提升模型的事实准确性、适应性、可解释性与可信度。 研究贡献 1、创新统一框架：首次提出涵盖所有现有 Graph-based RAG 方法的统一框架，从高层次明确定义图构建、索引构建、操作符配置及检索生成四个关键步骤。 2、深入方法比较：在统一框架下，系统地评估和对比 12 种主流 Graph-based RAG 算法，详细分析每种方法的优势与局限性。 5、新算法与新见解：结合现有技术提出两种全新的 Graph-based RAG 变体算法（VGraphRAG 与 CheapRAG），在特定问题和抽象问题任务上均超越当前最佳表现（SOTA）。 未来展望 该研究不仅为当前 Graph-based RAG 方法提供了统一的理解与评估平台，也为未来的创新与实践开辟了新的路径。
40400编辑于 2025-03-18 Graph RAG 生成图谱的关键Prompt
上一篇就Graph RAG主要作用、生成流程进行了简要描述，如果我们想要在系统层面实现知识图谱的生成，当然仅有理论还是不够的，需要进一步看一下各个步骤具体的做法是怎样的。 Graph RAG主要实现方式是依赖不同的prompt给LLM（大模型接口或私有化模型）进行结构化信息提取，包括先将文本进行分段、提取实体、实体间层级关系、同义实体聚类、实体数据过滤等任务，因此对prompt RAG每个prompt进行总结，发现prompt基本上是如下结构，逻辑性强，我猜这样严谨的写prompt是可以确保每次LLM输出较稳定的结果，在此拆解出来供大家直接参考并提供未来设计prompt借鉴思路 RAG 图按照如下步骤生成，图的关键是在Phase2~graph extraction，使用了不同的prompt进行图元素提取，在这里结合如上prompt结构组成部分并拆解说明一下“claim extraction rag dataflow
76810编辑于 2024-08-16- 来自专栏NebulaGraph 技术文章
7 种查询策略教你用好 Graph RAG 探索知识图谱
近来 NebulaGraph 社区在 LLM + Graph 和 Graph RAG 领域进行了深入的探索和分享。 最近，ArisGlobal 公司的工程师 Wenqi Glantz 对基于 NebulaGraph 和 LlamaIndex 的所有 Graph + LLM、RAG 方法进行了全面的实验、评估、综述、总结和分析 看下下面的代码片段是如何构建一个 KnowledgeGraphRAGRetriever：graph_rag_retriever = KnowledgeGraphRAGRetriever( storage_context = RetrieverQueryEngine.from_args( graph_rag_retriever, service_context=service_context)好了，现在我们对 7 Graph RAG Query Engine：https://gpt-index.readthedocs.io/en/stable/examples/query_engine/knowledge_graph_rag_query_engine.htmlCustom
4.2K11编辑于 2023-12-06 - 来自专栏技术向
Freeze graph: node is not in graph
本文由腾讯云+社区自动同步，原文地址 http://blogtest.stackoverflow.club/no-node-in-graph/ Freeze graph: node is not in graph (even though it’s been named) Though you have named a tensor, but it won’t just accept the given
1.1K10发布于 2019-11-20 如何使用知识图谱和向量数据库实现 Graph RAG -分步教程（下篇）
使用知识图谱进行 RAG 我们还可以仅使用知识图谱来进行 RAG 的检索部分。我们已经从上面的语义搜索中保存了一些关于口腔肿瘤的文章列表。 更多信息 山行AI希望本文对你有所帮助，更多信息请查看：https://medium.com/data-science/how-to-implement-graph-rag-using-knowledge-graphs-and-vector-databases References [1] 这里:https://github.com/SteveHedden/kg_llm [2]Graph RAG:https://www.ontotext.com/knowledgehub /fundamentals/what-is-graph-rag/ [3]GraphRAG:https://microsoft.github.io/graphrag/ [4]GRAG:https://arxiv.org /abs/2405.16506 [5]语义 RAG:https://www.poolparty.biz/graph-retrieval-augmented-generation [6]越来越多:https
16510编辑于 2026-03-13如何使用知识图谱和向量数据库实现 Graph RAG -分步教程（上篇）
在这篇文章中，我将重点讲解一种当前非常流行的 KGs 和 LLMs 联合使用方式：使用知识图谱的 RAG，有时也被称为 Graph RAG[2]、GraphRAG[3]、GRAG[4] 或语义 RAG[ 一个重要但常被误解的点是：RAG 和基于知识图谱的 RAG（Graph RAG）实际上是一种技术组合方法论，而不是某种产品或技术本身。 Graph RAG 不是由某个人发明，也没有任何人拥有它的专利或垄断权。尽管如此，大多数人都能看到将这两种技术结合的巨大潜力，而且越来越多[6]的研究也在证实这种结合带来的好处。 RAG 中使用知识图谱的三种方式 通常，在 RAG 的检索部分使用知识图谱（KG）有三种方式： 1. 这种方法实际上是 RAG 最初实现的方式，有时被称为“基础 RAG”（Baseline RAG）。•你可以将 SQL 数据库或其他内容向量化，并在查询时进行检索。 2.
46010编辑于 2026-03-13- 来自专栏NLP/KG
NebulaGraph7 种查询（关键词、向量、混合检索），Graph RAG 探索知识图谱
NebulaGraph7 种查询（关键词、向量、混合检索），Graph RAG 探索知识图谱 1.架构思路 如果你熟悉知识图谱和图数据库 NebulaGraph，可以直接跳到 “RAG 具体实现” 章节 RAG 查询。 看下下面的代码片段是如何构建一个 KnowledgeGraphRAGRetriever： graph_rag_retriever = KnowledgeGraphRAGRetriever( storage_context = RetrieverQueryEngine.from_args( graph_rag_retriever, service_context=service_context ) 好了，现在我们对 参考资料 NebulaGraph：https://github.com/vesoft-inc/nebula Graph RAG LlamaIndex Workshop：https://colab.research.google.com
5.7K10编辑于 2024-01-20 - 来自专栏计算机视觉理论及其实现
tf.graph_util.import_graph_def
Imports the graph from graph_def into the current default Graph. (deprecated arguments)Aliases:tf.compat.v1.graph_util.import_graph_deftf.compat.v1.import_graph_deftf.compat.v2 .graph_util.import_graph_deftf.compat.v2.import_graph_deftf.import_graph_deftf.graph_util.import_graph_def See tf.Graph.as_graph_def for a way to create a GraphDef proto.Args:graph_def: A GraphDef proto containing ) in graph_def to Tensor objects.
1.4K10编辑于 2022-09-03 - 来自专栏图神经网络
【知识】Graph Sparsification、Graph Coarsening、Graph Condensation的详细介绍和对比
理论基础（Definitions & Theoretical Background） 图稀疏化（Graph Sparsification）：图稀疏化指从原图中选取一部分边（或节点）构成一个稀疏的子图，用较少的边近似原图 图粗化（Graph Coarsening）：图粗化通过将原图中的一些节点聚合/合并成“超节点”（super-nodes），从而构建更小的粗粒度图。 图凝聚（Graph Condensation）：图凝聚是近年提出的新兴概念，受数据集蒸馏/浓缩（dataset distillation）的启发，将大规模图**“浓缩”成一个小规模的合成图（synthetic graph）。 代表工作如近期的KID框架，将GNN训练近似表示为**图核（Graph Kernel）**上的岭回归问题，通过选取图神经切核（GNTK）来刻画模型特征映射，使问题转化为核矩阵匹配。
89510编辑于 2025-04-09 - 来自专栏PM吃瓜(公众号)
dependency graph
Process: Break down your requirements to user stories (vertical slices through your tech stack that DELIVER VALUE TO YOUR USERS) and add these to your board. Find out which ones have dependencies outside your team/project. Use pins and string to draw a lin
58610编辑于 2023-03-02 - 来自专栏时空探索之旅
WWW 2026 | LLM×Graph论文总结【LLM4Graph & Graph4LLM】
RAG-GFM: Overcoming In-Memory Bottlenecks in Graph Foundation Models via Retrieval-Augmented Generation3 RPO-RAG: Aligning Small LLMs with Relation-aware Preference Optimization for Knowledge Graph Question ：Haonan Yuan, Qingyun Sun, Jiacheng Tao, Xingcheng Fu and Jianxin Li 关键词：RAG，图基础模型，图提示学习 3 Disentangled //arxiv.org/abs/2509.21391 作者：Lihui Liu, Jiayuan Ding, Subhabrata Mukherjee and Carl Yang 关键词：文本图问答，RAG 作者：Haoyu Han, Kai Guo, Harry Shomer, Yu Wang, Yucheng Chu, Hang Li, Li Ma and Jiliang Tang 关键词：LLM，RAG
31110编辑于 2026-03-10 - 来自专栏智能生信
Graph Embedding
主要思想 用一个低维、稠密的向量来表示一个图 (Graph) 中的各个节点 (node)。实现上，DeepWalk，LINE，node2vec都是参考word2vec的。 在图中，节点之间的连接表达了一种固定的显式关系，理论上word2vec的CBOW和Skip-gram都能迁移到Graph中，不过在Graph中比较之前流行的还是用一个节点 (相当于word2vec中的 但是由于边的有向/无向以及边的权重使得graph embedding与word embedding的算法上又有了很大的不同。 那么自然地，不同的graph embedding方法的一个主要区别是对图中顶点之间的相似度的定义（与边的方向以及权重有关）不同，这一点就不难理解。 算法 ? img node2vec node2vec是一种综合考虑DFS邻域和BFS邻域的graph embedding方法。
1.6K00发布于 2021-02-04 - 来自专栏时空探索之旅
ICLR 2026 | LLM×Graph论文总结【LLM4Graph与Graph4LLM】
观察：LLM Graph统计值 最大均分 均值 最小均分 6 5.21 4 其中均分≥6的有4篇，其中。 笔者将LLM和Graph结合的工作分为两大类，一类是LLM4Graph，即LLM做图任务。 另外一类是利用Graph4LLM，即利用图结构来增强LLM的能力。 LLM4Graph & TAG1. id=CEJl0gN2gj 关键词：Graph Robustness, Graph Adversarial Attack, Text Attributed Graph, Large Language Model LLM4Graph & GFM 10 [oral] Multi-Domain Transferable Graph Gluing for Building Graph Foundation Models id=zJm9nmoahk 关键词：GraphRAG, RAG, LLM 作者：Linhao Luo, Zicheng Zhao, Junnan Liu, Zhangchi Qiu, Junnan Dong
36910编辑于 2026-03-10 - 来自专栏webpack@4.46.0源码分析
从dependency graph 到 chunk graph
从dependency graph 到 chunk graph 9. 从chunk到最终的文件内容到最后的文件输出？ 10. webpack中涉及了哪些设计模式呢？ 后面初步聚合的工作的主要依据就是上面的dependecy graph. 初步聚合： dependency graph -> chunk graph 总共三个模块，这里的入口只有一个，即webpack.config.js中配置的entry: src/simple/main.js 清理：对于脱离了chunk graph的节点（chunkGroup）被清理掉。 变量声明和初始化 // Iterative traversal of the Module graph // Recursive would be simpler to write
1K20编辑于 2022-11-23 - 来自专栏Datawhale专栏
RAG 作者：RAG 已死，RAG 万岁！
一个具有更大上下文窗口的新模型问世，社交媒体上便会充斥着“RAG 已死”的宣言。 RAG 的初衷 五年前，我在 Meta 基础人工智能研究中心（FAIR，前身为 Facebook 人工智能研究中心）的团队提出了 RAG（Retrieval-Augmented Generation，检索增强生成 底线是：您同时需要长上下文 LLM 和 RAG。 但既然“RAG”这个术语似乎如此具有争议性，那我们不妨这样说： 我们不必非得称之为 RAG。 我们可以就叫它 检索 (retrieval)。 RAG 提供了相当于直接翻到相关页面的能力。处理更多 token 不仅更慢，而且极其低效，并且比使用 RAG 精准定位所需信息要昂贵得多。 RAG、微调和大型上下文窗口在 AI 中也是如此。 结论 我们不需要在 RAG 与长上下文窗口、微调或 MCP 之间做出选择。
70610编辑于 2025-04-24 - 来自专栏全栈开发工程师
【RAG】001-RAG概述
【RAG】001-RAG概述 0、整体思维导图 下面的知识是基于一个视频教程结合 AI 生成的笔记，我也看了一遍，有了一些印象，但这种印象很快就会消失，知识也就消失了，为了使得知识在我的大脑中停留更长的时间 补充1：RAG 基本逻辑 补充2：RAG 知识库基本逻辑 一、RAG 介绍 1、LLM 的主要局限性 大语言模型（LLM）尽管功能强大，但仍存在以下明显的局限性： 时效性问题：模型的知识在预训练后就固定了 概述 1、RAG 的概念 RAG（Retrieval-Augmented Generation，检索增强生成）是一种结合了检索和生成技术的文本处理方法，主要用于提高语言模型的输出质量。 2、RAG 的工作原理 RAG 的核心工作流程包含以下步骤： 知识库构建： 收集和处理文档资料 将文档切分为适当大小的文本块 使用向量化模型将文本转换为向量并存储 检索过程： 接收用户查询并向量化 在向量数据库中搜索相似内容 获取最相关的文本片段 生成过程： 将检索到的相关内容与用户问题组合 构建合适的提示词（Prompt） 通过 LLM 生成最终答案 3、RAG 的应用场景 RAG 技术在多个领域都有广泛应用
74810编辑于 2025-03-25 - 来自专栏运维开发王义杰
jmeter Graph Results
"Graph Results" 是 JMeter 中的一个监听器，它提供了一种图形化的方式来显示性能测试的结果。 以下是 "Graph Results" 的一些主要特性和它所显示的信息： 样本（Number of Samples）：X轴表示样本序号，即每个单独的请求或测试样本。 通过 "Graph Results"，我们可以直观地看到性能测试的结果，包括每个请求的响应时间，吞吐量，偏差，和中位数。
55320编辑于 2023-08-16 - 来自专栏Dechin的专栏
MindSpore Graph Learning
技术背景 MindSpore Graph Learning是一个基于MindSpore的高效易用的图学习框架。 得益于MindSpore的图算融合能力，MindSpore Graph Learning能够针对图模型特有的执行模式进行编译优化，帮助开发者缩短训练时间。 MindSpore Graph Learning 还创新提出了以点为中心编程范式，提供更原生的图神经网络表达方式，并内置覆盖了大部分应用场景的模型，使开发者能够轻松搭建图神经网络。 g.src_vertex] ...: In [11]: ret = TestSetVertexAttr()(node_feat[src_idx], node_feat[dst_idx], *graph_field.get_graph in v.innbs]) for v in g.dst_vertex] ret = GraphConvCell()(node_feat[src_idx], node_feat[dst_idx], *graph_field.get_graph
85720编辑于 2022-11-21 - 来自专栏星汉技术
图（graph） 原
图（graph） 图是非线性数据结构，是一种较线性结构和树结构更为复杂的数据结构，在图结构中数据元素之间的关系可以是任意的，图中任意两个数据元素之间都可能相关。 如果图中的边没有方向性，即每条边都是顶点的无序偶对，称之为无向图（undirected graph）。 ? 设图G=(V,E)和图G'=(V',E')。 3．ADT定义 如下是图的抽象数据类型定义： ADT Graph{ 数据对象D：D是具有相同性质的数据元素的集合。 无向图不支持此操作 }ADT Graph 2、存储结构 从图的逻辑结构定义来看，无法将图中的顶点排列成一个唯一的线性序列。 6、拓扑排序 有向无环图（directed acyclic graph）是指一个无环的有向图，简称DAG。
2.3K20发布于 2019-03-12
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号