Kompletterande videor

RAG bortom textsegment: graf-RAG, agentbaserad RAG och RAG med lång kontext – kompletterande videor

Artikeln går vidare från RAG med segmentering och embeddings till de tre inriktningar som faktiskt har höjt kvaliteten: informationshämtning med kunskapsgrafer, agentbaserade loopar för informationshämtning och metoden att helt enkelt fylla kontexten med en miljon token. De här två videorna ger dig dels en fungerande demonstration där två av inriktningarna visas sida vid sida, dels GraphRAG-arkitekturen enligt Microsofts modell i dess ursprungliga form. Därmed får jämförelserna i artikeln konkreta referenspunkter.

Förstahandsval

38:48

Vi presenterar RAG 2.0: agentbaserad RAG + kunskapsgrafer (KOSTNADSFRI mall)

Cole Medin

En fungerande lösning som kombinerar agentbaserad RAG med en kunskapsgraf, där agenten avgör när den ska göra en vektorsökning, när den ska söka i Neo4j och när den ska göra båda. Det är den tydligaste demonstrationen på YouTube av mönstret där agenten planerar informationshämtningen, vilket artikeln beskriver, och koden går faktiskt att hämta och köra.

Vad du bör få ut av detta: Jämför agentbaserad informationshämtning och grafbaserad informationshämtning i en konkret implementation.

Titta på eller ha koll på först: God förståelse för grundläggande RAG och grafdatabaser samt vana vid att köra en mall lokalt.

Anteckning från AI Expert: Se mallens beroenden, modellval och orkestreringskod som versionskänsliga. Den användbara idén är planeringen av informationshämtningen. För produktionsbruk krävs fortfarande behörigheter, utvärderingar och felhantering.

Öppna videosidan

Värt att titta på

15:58

Graf-RAG: förbättra RAG med kunskapsgrafer

Prompt Engineering

En fokuserad genomgång av Microsofts GraphRAG – extraktion av entiteter, sammanfattningar av grupper och frågefokuserad sammanfattning – som installeras på en lokal dator och kompletteras med information om kostnader. Se den specifikt för artikelns avsnitt om graf-RAG. Kostnadsdiskussionen är den del som de flesta texter utelämnar.

Vad du bör få ut av detta: Förstå arbetsflödet i GraphRAG enligt Microsofts modell: extraktion av entiteter, grupper, sammanfattningar och frågefokuserad syntes.

Titta på eller ha koll på först: Förstå varför en vanlig vektorsökning kan missa frågor där relationer är avgörande.

Anteckning från AI Expert: Installationskommandon och kostnader kan förändras, men arkitekturen är användbar. Räkna om de aktuella kostnaderna för token och kontrollera om det är motiverat att konstruera grafen innan du inför det här mönstret.

Öppna videosidan