基于检索的生成技术RAG详解：图谱 vs 向量（RAG + 龙马3.1）-原创手记-慕课网

检索增强生成（RAG）是一种技术，可以让大型语言模型（LLMs）变得更强大。通过提供与用户查询相关的额外信息，这一信息检索步骤增强了LLMs生成准确和全面回复的能力。RAG的工作原理如下：

用户查询：用户提出一个问题或提供一个提示。
检索：系统根据查询意图从数据库中检索相关信息。expand_more
增强：检索到的信息与用户的查询一起提供给大语言模型。expand_more
生成：大语言模型利用查询和检索到的信息来生成回复。expand_more

在RAG中有两种主要的信息检索方法：让我们来比较图RAG和向量型RAG，并分别深入了解。

Rag vs Graph Rag

RAG向量

想象一个巨大的图书馆，书籍是根据主题联系来组织的。基于向量的检索与生成（Vector RAG）使用向量数据库。这些数据库将信息（如文档或实体）表示为高维空间中的数值向量。具有相似主题或意义的文档，其向量在这个空间中会更接近。在检索过程中，Vector RAG 会在数据库中搜索与用户查询最接近的文档，从而找到与查询最相关的文档。

例如:

用户提问：“法国大革命的原因是什么？”
检索信息（基于向量的搜索）：关于法国大革命起源的历史文献，以及关于18世纪法国社会经济情况的资料。
生成的响应：LLM 将使用这些资料来解释法国大革命背后的政治、社会和经济因素。

RAG图

想象一张详细的地图，其中位置及其连接都清晰地定义了。Graph RAG 使用知识图谱。这些是用于表示实体（如人、地点或事件）及其之间关系的结构化数据库。在检索过程中，Graph RAG 根据用户的查询在知识图谱中进行遍历，识别与用户意图相关的实体和关系。这种方法提供了对检索到信息的上下文和关联的更深入理解。

例子

用户提问：谁写了《魔戒》三部曲？
检索信息（图搜索）：J.R.R. Tolkien与《魔戒》三部曲之间存在“作者”关系。
生成回复：LLM通过知识图谱识别J.R.R. Tolkien是《魔戒》三部曲的作者。

（图形RAG 与向量RAG 的对比）

基于图的RAG和基于向量的RAG之间的关键区别在于它们表示和检索大型语言模型信息的方式。

向量检索助手：可以将其视为在图书馆中查找相似的书籍。它使用向量数据库，其中信息以数值代码的形式存储。这些代码捕捉了信息的意义和主题。在检索时，向量检索助手会搜索与用户查询最接近的代码（文档、实体），从而找到与查询最相关的最相关的信息。
图谱检索助手：可以想象在一张详细地图上导航以找到相连的位置。它使用知识图谱，将实体（如人物、地点和事件）及其关系进行标绘。在处理查询时，图谱检索助手会探索知识图谱，识别与用户意图相关的实体和联系。这种方法提供了对信息背景和关系更深入的理解。

主题的相关性 vs. 情境与关系，

主题相关性集中在话题的相似性上。想象一下，有一份关于法国大革命的文档和另一份关于美国革命的文档。两者都讨论了革命，因此对于“革命”的查询，它们在主题上是相关的。
上下文和关系则更进一步探讨。在这里，我们不仅考虑话题本身，还考虑它们之间的联系。图谱RAG中的知识图谱可能显示美国革命受到了法国革命的启发，从而提供了更丰富的上下文。

信息对比实体：

信息指任何获取到的知识，范围更广。在基于向量的RAG中，检索到的信息可以是完整的文档或摘要。
实体指的是信息中的特定对象或概念。在基于图的RAG中，检索到的信息主要关注识别实体（如法国大革命）及其相互之间的关系（例如，历史事件与其原因之间的关联）。

选好合适的RAG方法

选择 Vector RAG 还是 Graph RAG 完全取决于您的具体需求。Vector RAG 在大规模数据集中查找主题相关的信息方面表现出色，非常适合文档检索或产品推荐等任务。Graph RAG 更适合理解上下文和关系时表现更佳，对于问答系统或知识库完善非常有价值。此外，一些系统甚至结合了这两种方法，采用混合方法，利用各自的优势。

最终，无论是Vector RAG还是Graph RAG都代表了利用LLMs的激动人心的进展。通过向它们提供相关的信息，我们释放了它们真正的潜力，从而能够提供详尽且有洞察力的回答。

RAG图：RAG与知识图谱

知识图谱是现实世界中实体和它们之间关系的结构化表示。

它们主要由两个部分构成：节点和连线。

节点代表具体的实体，比如人、地方、物体或概念。

另一方面，边表示这些节点之间的连接，表明它们是如何连接的。

这种结构大大增强了LLM生成知情回答的能力，通过使模型能够访问精确和上下文相关的数据。

图谱RAG（Graph RAG）的创新点在于它将图数据库与大型语言模型（LLMs）结合起来，从而丰富模型的上下文信息并生成响应。

一些流行的图数据库：Ontotext、NebulaGraph 及 Neo4J。

一个简单的知识图

开码时间啦！

请在您的 Google Colab 中安装以下内容哦

    %pip install --upgrade --quiet  \  
        langchain-openai \  
        langchain \  
        langchain-community \  
        langchain-google-genai\  
        langchain-groq\  
        langchain-experimental\  
        networkx\  
        langchain-chroma\  
        json-repair\  
        neo4j

使用Gemini Pro生成嵌入，你可以选择任何你想要的嵌入模型。

我选择了“Rani Lakshmibai”的传记作为文本。

将文本分割成文档，并使用convert_to_graph_documents和llama 3.1通过groq api调用llm生成图文档。

使用NetworkxEntityGraph创建了一个图，然后添加了节点和边（关系）。

生成的图被添加到GraphQAChain中，并包含了llm和生成的图文档。

    from langchain_community.document_loaders import TextLoader  
    from langchain_openai import OpenAIEmbeddings  
    from langchain_text_splitters import CharacterTextSplitter  
    from langchain_google_genai import GoogleGenerativeAIEmbeddings  
    from langchain_core.documents import Document  
    from langchain_experimental.graph_transformers import LLMGraphTransformer  
    from langchain_google_genai import GoogleGenerativeAI  
    from langchain.indexes.graph import NetworkxEntityGraph  
    from langchain.chains import GraphQAChain  
    from langchain_groq import ChatGroq  
    GOOGLE_API_KEY = ""  
    GROQ_API_KEY = ""

    文本 = "拉克希米·巴依（或称拉尼·拉克希米·巴依）于1828年11月19日（一些资料记载为1835年）出生在班纳勒斯（今瓦拉纳西），出生在一个马拉地语Karhade Brahmin家庭。\  
    她的原名是Manikarnika Tambe，昵称为Manu。[8]她的父亲是Moropant Tambe[9]，母亲是Bhagirathi Sapre（Bhagirathi Bai）。\  
    她的父母来自马哈拉施特拉邦拉特纳吉里区古哈加尔地区的坦贝村。\  
    她的母亲在她五岁时去世。她的父亲在加亚普兰特战争中担任指挥官。她的父亲为比托尔区的Peshwa Baji Rao II工作。\  
    Peshwa称她为\"Chhabili\"，意为“美丽”和“活泼可爱”。 \  
    她在家接受教育，能够阅读和写作，比同龄人更加独立；\  
    她的学习包括射击、骑马、击剑和与童年朋友Nana Sahib和Tantia Tope一起练习的马拉卡姆巴（malla khambā）。 \  
    拉克希米·巴依与当时印度社会对女性的父权文化期待形成对比。\  
    她以其独特的视角和敢于挑战社会规范的勇气而闻名，这在当时的社会中是罕见的。\  
    拉克希米·巴依习惯于骑马陪同随从往返于宫殿与寺庙之间，有时她则乘轿子出行。\  
    她的马包括Sarangi、Pavan和巴阿达尔；根据历史学家的说法，她在1858年逃离堡垒时骑的是巴阿达尔。现在的Rani Mahal已改建成博物馆。\  
    博物馆收藏了公元9世纪至12世纪的考古遗物。"documents = [Document(page_content=文本)]llm =  ChatGroq(temperature=0, model_name="llama-3.1-70b-versatile", groq_api_key=GROQ_API_KEY)llm_transformer_filtered = LLMGraphTransformer(llm=llm,  
        allowed_nodes=["Person", "Country", "Organization"],  
        allowed_relationships=["NATIONALITY","Father","Mother", "LOCATED_IN", "WORKED_AT", "SPOUSE"],)graph_documents_filtered = llm_transformer_filtered.convert_to_graph_documents(documents)graph = NetworkxEntityGraph()#将节点添加到图中  
    for node in graph_documents_filtered[0].nodes:  
      graph.add_node(node.id)#将边添加到图中  
    for edge in graph_documents_filtered[0].relationships:  
      graph._graph.add_edge(edge.source.id,  
                            edge.target.id,  
                            relation = edge.type)  
    print(f"节点：{graph_documents_filtered[0].nodes}")  
    print(f"关系：{graph_documents_filtered[0].relationships}")  
    graph_rag =  GraphQAChain.from_llm(llm, graph=graph, verbose=True)

这是给Rag的流程，文本分割 -> 嵌入 -> 嵌入到Chroma DB -> RetrievalQA + LLM + 文档检索

    from langchain_community.document_loaders import TextLoader  
    from langchain_openai import OpenAIEmbeddings  
    from langchain_text_splitters import CharacterTextSplitter  
    from langchain_google_genai import GoogleGenerativeAIEmbeddings  
    from langchain_chroma import Chroma  
    from langchain.chains import RetrievalQA

    embeddings = GoogleGenerativeAIEmbeddings(model="models/embedding-001", google_api_key=GOOGLE_API_KEY)  
    loader = TextLoader("/content/sample_data/Text_1.txt")  
    documents = loader.load()  
    text_splitter = CharacterTextSplitter(chunk_size=1000, chunk_overlap=0)  
    texts = text_splitter.split_documents(documents)  
    doc_search = Chroma.from_documents(texts, embeddings)  
    base_rag = RetrievalQA.from_chain_type(  
        llm=llm,  
        chain_type="stuff",  
        retriever=doc_search.as_retriever(search_kwargs={"k": 10}),  
    )

    prompts = ["她是谁,",  
               "拉尼·拉克希米·巴依的父亲,",  
               "拉尼·拉克希米·巴依的母亲,",  
               "曼尼卡尼卡·塔姆贝是谁,",  
               "曼尼卡尼卡·塔姆贝与拉尼·拉克希米·巴依有什么关系,",  
               "莫罗潘特·塔姆贝与曼尼卡尼卡·塔姆贝有什么关系"]

    定义空列表 prompt_rag_list = []  
    定义空列表 base_rag_list = []  
    定义空列表 graph_rag_list = []  
    对于每个 prompt, 从 prompts 中遍历:  
        prompt_rag_list 追加 prompt  
        base_rag_list 追加 base_rag 执行 prompt  
        graph_rag_list 追加 graph_rag 执行 prompt

import pandas as pd  
# 这是一段用于创建数据框的代码，其中包含了提示、基础评分和图表评分的列表。
df = pd.DataFrame({'Prompt': prompt_rag_list, 'Base Rag': base_rag_list, 'Graph Rag': graph_rag_list})  
df

拉格图对比图表：

要在 Google Colab 中运行这段代码，你需要以下密钥

Google 的 API 密钥

Groq 的 API 密钥

这样你就能了解rag和graph rag技术是怎么运作的。

快乐学习！
加油！

欢迎大家随时提意见或建议，让教学更好。

直白点 🚀

(Note: I've retained the rocket emoji as per the source text, but it can be removed if strictly following the expert suggestion to maintain consistency in colloquial zh expression.)

感谢你加入_In Plain English 社区！在你离开前，

记得给作者👏点赞和关注哦
关注我们：X | 领英 | YouTube | Discord | 通讯 | 播客节目
在Differ上免费创建一个AI博客。
更多内容，请看 PlainEnglish.io
有故事想要分享吗？快来加入我们遍布全球的作者社区！