Microsoftin GraphRAG-toteutus on osoittanut tehokkuutensa tietokilpien rakentamisessa alkuperäisistä dokumenteista, jotka on käsitelty suuren kielimallin (LLM) avulla. Tuloksena on strukturoitu tieto entiteeteistä ja niiden välisistä suhteista, jota käsitellään edelleen grafiikka-algoritmeilla, kuten Leiden-yhteisöjen havaitsemisalgoritmillä, tuottaakseen tiivistelmät. Tämä postaus käsittelee, kuinka GraphRAG-tulokset voidaan tallentaa Neo4j:een ja toteuttaa paikalliset ja globaalit hakijat käyttämällä LangChainia tai LlamaIndexiä. Käytetty tietokanta on "Jouluksi kotiin" Charles Dickensin teos. Vaikka grafiikin hankintaprosessi voidaan ohittaa, joitakin tärkeitä asetuksia ovat entiteettityypit (organisaatiot, ihmiset, tapahtumat, geo) ja maksimigleaningien määrä, jotta voidaan suorittaa useita hankintakierroksia kattavan tiedon keräämiseksi. Grafiikin hankintaputken tulokset tallennetaan parquet-tiedostoihin, jotka sitten tuodaan Neo4j:een. Tämä tuontiprosessi voidaan tehdä ilmaisella pilvipalvelu Auran avulla tai paikallisessa Neo4j-ympäristössä, ja tuontikoodi on saatavilla GitHubissa Jupyter-muistikirjana. Neo4j:een tuodun tiedon jälkeen suoritetaan yksinkertainen grafiikanalyysi käyttämällä Cypher-kyselyitä ymmärtääkseen grafiikin rakenteen ja sisällön. Esimerkiksi voidaan analysoida entiteettien jakautuminen ja solmujen asteita saadakseen näkemyksen tiedosta. Grafiikissa olevat entiteetit ja niiden väliset suhteet visualisoidaan ja vahvistetaan Neo4j-selaimessa. Hakijoiden toteuttamiseksi paikallinen hakija käyttää vektorihakua tunnistamaan merkittävät solmut ja sitten kiertää linkitetyt tiedot injektoimalla LLM-kyselyyn. Vektoriindeksi konfiguroidaan, ja hakukysely määritellään keräämään merkittävää tekstidataa, kuten tekstipätkiä, yhteisöraportteja ja suhteita. Tämä toteutetaan käyttämällä LangChainia ja LlamaIndexiä, ja hakukysely soveltuvat molempiin kehyksiin. Globaali hakija puolestaan iteroidaan yhteisösummarioiden yli määritellyllä hierarkiatasolla, tuottaen välituotteita ja lopullisen vastauksen. Tämä lähestymistapa yksinkertaistaa hakuprosessin, mutta edellyttää oikean hierarkiatason valitsemista parhaan tuloksen saavuttamiseksi. Yhteenvetona, GraphRAG:n integroiminen Neo4j:een ja hakijakehyksiin, kuten LangChain ja LlamaIndex, mahdollistaa sofistiset tiedonhakut toimivien tietokilpien avulla, hyödyntäen paikallisia ja globaaleja hakustrategioita. Tämä toteutus esittelee GraphRAG:n käytännön soveltamisen analysoimassa ja kyselyissä strukturoitua tietoa, jota on haettu alkuperäisistä tekstilähteistä.