Graph RAG: 知识图谱结合 LLM 的检索增强
本文为大家揭示我们优先提出的 Graph RAG 方法,这种结合知识图谱、图数据库作为大模型结合私有知识系统最新的技术栈,作为之前的图上下文学习、text2cypher 文章的第三篇文章。
本文为大家揭示我们优先提出的 Graph RAG 方法,这种结合知识图谱、图数据库作为大模型结合私有知识系统最新的技术栈,作为之前的图上下文学习、text2cypher 文章的第三篇文章。
从 GPT-3 开始展现出超出预期的”理解能力“开始,我们一直在做 Graph + LLM 技术组合、互补的研究、探索和阜分享,截止到现在 NebulaGraph 已经在 LlamaIndex 与 Langchain 项目做出了不少领先的贡献,从本文开始,我们就把其中一些阶段性的成功、方法单独分享给大家。
现在,我们可以在 Jupyter Notebook 中更方便地玩 NebulaGraph 图数据库了,只需要
%ngql MATCH p=(n:player)->() RETURN p
就可以直接查询 ,%ng_draw
就可以画出返回结果。
如何利用图谱构建更好的 In-context Learning 大语言模型应用。
介绍新项目! ng_ai:NebulaGraph 的图算法套件,好用的 NebulaGraph 的 high-level Python Algorithm API,它的目标是让 NebulaGraph 的数据科学家用户能够用很少的代码量执行图上的算法相关的任务。
图技术在大型、复杂基础设施之中 SRE/DevOps 的实践参考,本文以 OpenStack 系统之上的图数据库增强的运维案例为例,揭示图数据库、图算法的智能运维方法,全流程示例代码开源。
NebulaGraph 社区如何构建工具让 Slack、WeChat 中宝贵的群聊讨论同步到公共领域