Генерация с дополненным поиском стала стандартным шаблоном для привязки больших языковых моделей к корпоративным данным. Типичная реализация преобразует документы во вложения, сохраняет их в векторной базе данных, извлекает наиболее похожие фрагменты для запроса и добавляет эти фрагменты в подсказку модели. Это хорошо работает для поиска документов, поиска политик, справочного контента и других задач, где основным требованием является семантическое сходство. Однако корпоративные знания редко организованы как изолированные фрагменты. Они распределены по приложениям, базам данных, API, документам, иерархиям владения, каталогам продуктов и операционным записям. Как только вопросы требуют отношений, происхождения, времени или многошаговых рассуждений, одного только векторного поиска становится недостаточно.Следовательно, следующий этап корпоративного ИИ зависит от объединения RAG с корпоративными графами знаний.