查询
GraphRAG 有两种不同的查询工作流程，针对不同类型的查询进行了优化：
-
全局搜索：通过利用 Community 摘要，对涉及整个数据语料库的整体性问题进行推理。
-
本地搜索：通过扩展到特定 Entity 的邻居和相关概念，对特定 Entity 进行推理。
这个全局搜索工作流程包括以下几个阶段：
(图片来源：https://microsoft.github.io/graphrag/)
-
用户查询和对话历史：系统将用户查询和对话历史作为初始输入。
-
Community 报告分批：系统使用由 LLM 从 Community 层次结构的指定级别生成的节点 Community 报告作为上下文数据。这些 Community 报告被打乱并分成多个批次（打乱的 Community 报告批次 1、批次 2... 批次 N）。
-
RIR（评级中间响应）：每批 Community 报告进一步被划分为预定义大小的文本块。每个文本块用于生成一个中间响应。响应包含一个信息片段列表，称为点。每个点都有一个数值分数，表示其重要性。这些生成的中间响应是评级中间响应（评级中间响应 1、响应 2... 响应 N）。
-
排名和过滤：系统对这些中间响应进行排名和过滤，选择最重要的点。选定的重要点形成聚合的中间响应。
-
最终响应：聚合的中间响应被用作上下文以生成最终回复。
当用户提出关于特定 Entity（如人名、地点、组织等）的问题时，我们建议使用本地搜索工作流程。这个过程包括以下步骤：
(图片来源：https://microsoft.github.io/graphrag/)
-
用户查询：首先，系统接收用户查询，这可能是一个简单的问题或更复杂的查询。
-
搜索相似 Entity：系统从知识图中识别出与用户输入语义相关的一组 Entity。这些 Entity 作为进入知识图谱的入口点。这一步骤中使用像 Milvus 这样的向量数据库进行文本相似性搜索。
-
Entity-文本单元映射：提取的文本单元被映射到相应的 Entity，移除原始的文本信息。
-
Entity-关系提取：这一步提取关于 Entity 及其相应关系的特定信息。
-
Entity-协变量（Covariate）映射：这一步将 Entity 映射到它们的协变量，这可能包括统计数据或其他相关属性。
-
Entity- Community 报告映射：Community 报告被整合到搜索结果中，纳入一些全局信息。
-
利用对话历史：如果有对话历史，系统使用对话历史来更好地理解用户的意图和上下文。
-
生成响应：最后，系统根据前几步生成的经过过滤和排序的数据生成并响应用户查询。