Microsofts GraphRAG-implementasjon har blitt effektivt brukt til å bygge kunnskapsgrafer fra kilddokumenter prosessert gjennom et stort språkmodell (LLM). Utgangen er strukturert informasjon om enheter og deres relasjoner, som videre prosesseres ved hjelp av grafalgoritmer som Leiden-samfunnsdeteksjonsalgoritmen for å generere sammendrag. Denne posten diskuterer hvordan man kan lagre GraphRAG-utgang i Neo4j og implementere lokale og globale hentere ved hjelp av LangChain eller LlamaIndex. Datasettet som brukes er "A Christmas Carol" av Charles Dickens. Selv om grafekstraksjonsprosessen kan hoppes over, er noen viktige konfigurasjoner valg av enhetstyper (organisasjoner, personer, hendelser, geo) og å sette maksimalt antall høstingpass for å sikre omfattende informasjonssamling. Utgangen fra grafekstraksjonsrørledningen lagres som parquet-filer, som deretter importeres til Neo4j. Importprosessen kan utføres ved hjelp av en gratis sky Aura-instans eller et lokalt Neo4j-miljø, med importkoden tilgjengelig som en Jupyter-notebook på GitHub. Etter å ha importert dataene til Neo4j, utføres en enkel grafanalyse ved hjelp av Cypher-spørringer for å forstå strukturen og innholdet av de utvunne dataene. For eksempel kan fordelingen av utvunne enheter og nodgrader analyseres for å skaffe innsikt i dataene. De utvunne enhetene og deres relasjoner visualiseres og valideres ved hjelp av Neo4j Browser. For implementering av hentere, utnytter den lokale henteren vektor søk for å identifisere relevante noder og deretter traversere lenket informasjon for å injisere i LLM-prompten. Vektorindeksen konfigureres, og hentespørsmålet defineres for å samle relevant tekstdata, som for eksempel tekstbiter, samfunnsrapporter og relasjonsbeskrivelser. Dette implementeres ved hjelp av både LangChain og LlamaIndex, med hentespørsmålet tilpasset for hver ramme. Den globale henteren, på den andre siden, itererer over samfunnsoppsummeringer på et spesifikt hierarkisk nivå, genererer mellomliggende oppsummeringer og en sluttlig respons. Dette tilnærmingen forenkler henteprosessen, men krever valg av det riktige hierarkiske nivået for de beste resultater. I sammenfattning, integreringen av GraphRAG med Neo4j og henter-rammeverk som LangChain og LlamaIndex muliggjør avanserte datahenting fra strukturerte kunnskapsgrafer, utnyttende både lokale og globale hentestrategier. Denne implementasjonen viser de praktiske anvendelsene av GraphRAG i analyse og spørring av strukturert informasjon utvunnet fra tekstlige kilder.