Система генерации ответов с дополнением результатами поиска (Retrieval Augmented Generation, RAG) автоматически выбирает и предоставляет контекст, специфичный для предметной области. Это значительно повышает точность генерации ответов LLM и снижает вероятность искажений. GraphRAG использует графы знаний для структурирования данных и выявленных в них связей, чтобы формировать более содержательные и релевантные промпты.
О чём книга
В издании рассказывается, как создать и развернуть систему GraphRAG производственного уровня. Вы научитесь извлекать структурированные знания из текста и комбинировать векторный поиск с поиском по графам. Книга насыщена практическими примерами — от создания инструмента поиска по векторному сходству до построения приложения Agentic RAG и оценки его эффективности.
Что внутри
- Эмбеддинги, поиск по векторному сходству, полнотекстовый и гибридный поиск;
- преобразование естественного языка в запросы к базам данных на языке Cypher;
- пайплайн GraphRAG от Microsoft;
- реализация приложения Agentic RAG.
Для кого книга
Для читателей со средним уровнем владения Python и базовым опытом работы с графовыми базами данных, такими как Neo4j.
«Упорядочивает хаос RAG-систем, превращая их в четкие и практичные стратегии. Рекомендуется всем, кто собирается создавать интеллектуальные промышленные приложения на основе LLM».
— Илунь Чжан, Mozilla
«Дает и теорию, и практику, которые помогут вам начать свой путь в GraphRAG».
— Майкл Хангер, Neo4j
Автор книги «Graph Algorithms for Data Science» (Manning), участник проектов LangChain и LlamaIndex. Обладает глубоким опытом в области графов, машинного обучения и генеративного ИИ. Возглавляет команду разработчиков генеративного ИИ в Neo4j.