Essential GraphRAG: Knowledge Graph-Enhanced RAG / Существенный GraphRAG: Расширенный граф знаний RAG
Год издания: 2025
Автор: Bratanic Tomaz, Hane Oskar / Братанич Томас, Хейн Оскар
Издательство: Manning Publications Co.
ISBN: 978-1-6334-3626-8
Язык: Английский
Формат: PDF
Качество: Издательский макет или текст (eBook)
Интерактивное оглавление: Да
Количество страниц: 178
Описание: Upgrade your RAG applications with the power of knowledge graphs.
Retrieval Augmented Generation (RAG) is a great way to harness the power of generative AI for information not contained in a LLM’s training data and to avoid depending on LLM for factual information. However, RAG only works when you can quickly identify and supply the most relevant context to your LLM. Essential GraphRAG shows you how to use knowledge graphs to model your RAG data and deliver better performance, accuracy, traceability, and completeness.
Inside Essential GraphRAG you’ll learn:
• The benefits of using Knowledge Graphs in a RAG system
• How to implement a GraphRAG system from scratch
• The process of building a fully working production RAG system
• Constructing knowledge graphs using LLMs
• Evaluating performance of a RAG pipeline
Essential GraphRAG is a practical guide to empowering LLMs with RAG. You’ll learn to deliver vector similarity-based approaches to find relevant information, as well as work with semantic layers, and generate Cypher statements to retrieve data from a knowledge graph.
About the book
Essential GraphRAG teaches you to implement accurate, performant, and traceable RAG by structuring the context data as a knowledge graph. Filled with practical techniques, this book teaches you how to build RAG on both unstructured and structured data. You’ll go hands-on to build a vector similarity search retrieval tool and an Agentic RAG application, extract information from text to create a Knowledge Graph, evaluate performance and accuracy, and more.
About the reader
For readers with intermediate Python skills and some experience with a graph database like Neo4j.
About the author
Tomaz Bratanic has extensive experience with graphs, machine learning, and generative AI. He has written an in-depth book about using graph algorithms in practical examples. Nowadays, he focuses on generative AI and LLMs by contributing to popular frameworks like LangChain and LlamaIndex and writing blog posts about LLM-based applications.
Oskar Hane is a Senior Staff Software Engineer at Neo4j. He has over 20 years of experience as a Software Engineer and 10 years of experience working with Neo4j and knowledge graphs. He is currently leading the Generative AI engineering team within Neo4j, with the focus to provide the best possible experience for other developers to build GenAI applications with Neo4j.
Обновите свои приложения RAG с помощью графов знаний.
Поисковая расширенная генерация (RAG) - это отличный способ использовать возможности генерирующего ИИ для получения информации, не содержащейся в обучающих данных LLM, и избежать зависимости от LLM в получении фактической информации. Однако RAG работает только в том случае, если вы можете быстро определить и предоставить наиболее релевантный контекст вашему LLM. Essential GraphRAG показывает, как использовать графы знаний для моделирования данных RAG и повышения производительности, точности, прослеживаемости и полноты.
Внутри Essential GraphRAG вы узнаете:
• Преимущества использования графов знаний в системе RAG
• Как внедрить систему GraphRAG с нуля
• Процесс создания полностью работоспособной производственной системы RAG
• Построение графов знаний с использованием LLMS
• Оценка производительности конвейера RAG
Essential GraphRAG - это практическое руководство по расширению возможностей магистров с помощью RAG. Вы научитесь применять подходы, основанные на векторном сходстве, для поиска необходимой информации, а также работать с семантическими слоями и генерировать зашифрованные инструкции для извлечения данных из графа знаний.
О книге
Essential GraphRAG научит вас внедрять точную, производительную и отслеживаемую RAG, структурируя контекстные данные в виде графа знаний. Эта книга, содержащая практические приемы, научит вас создавать RAG как на неструктурированных, так и на структурированных данных. Вы научитесь создавать инструмент поиска векторного сходства и приложение Agentic RAG, извлекать информацию из текста для создания диаграммы знаний, оценивать производительность и точность и многое другое.
О читателе
Для читателей со средним уровнем владения Python и некоторым опытом работы с графовыми базами данных, такими как Neo4j.
Об авторе
Томаз Братанич обладает обширным опытом работы с графами, машинным обучением и генеративным искусственным интеллектом. Он написал подробную книгу об использовании графовых алгоритмов на практических примерах. В настоящее время он специализируется на генеративном ИИ и LLM, внося свой вклад в популярные фреймворки, такие как LangChain и LlamaIndex, и пишет посты в блогах о приложениях на базе LLM.
Оскар Хейн - старший инженер-программист в Neo4j. Он имеет более чем 20-летний опыт работы в качестве инженера-программиста и 10-летний опыт работы с Neo4j и графами знаний. В настоящее время он возглавляет команду инженеров Generative AI в Neo4j, целью которой является предоставление другим разработчикам наилучшего опыта в создании приложений GenAI с помощью Neo4j.
Примеры страниц (скриншоты)
Оглавление
1 ■ Improving LLM accuracy 1
2 ■ Vector similarity search and hybrid search 17
3 ■ Advanced vector retrieval strategies 30
4 ■ Generating Cypher queries from natural
language questions 45
5 ■ Agentic RAG 56
6 ■ Constructing knowledge graphs with LLMs 70
7 ■ Microsoft’s GraphRAG implementation 88
8 ■ RAG application evaluation 116
appendix A ■ The Neo4j environment 127
