通过知识图谱提升你的RAG应用

检索增强生成（RAG）是利用生成式AI处理不在大语言模型（LLM）训练数据中的信息，并避免依赖LLM提供事实信息的有效方法。然而，RAG只有在你能够快速识别并提供最相关的上下文给LLM时才有效。《Essential GraphRAG》展示了如何使用知识图谱来建模你的RAG数据，从而提升性能、准确性、可追溯性和完整性。 在《Essential GraphRAG》一书中，你将学习： * 在RAG系统中使用知识图谱的好处 * 如何从零开始实现一个GraphRAG系统 * 构建一个完整的生产环境RAG系统的过程 * 使用LLM构建知识图谱 * 评估RAG流水线的性能

《Essential GraphRAG》是一本实用指南，旨在通过RAG增强LLM的能力。你将学习如何基于向量相似性的方法来寻找相关信息，如何处理语义层、实现智能RAG，并生成Cypher语句以从知识图谱中检索数据。 关于技术

检索增强生成（RAG）系统自动选择并提供特定领域的上下文给LLM，极大地提升了LLM生成准确、无幻觉的回答的能力。GraphRAG模式利用知识图谱来构建RAG的输入，利用数据中现有的关系生成丰富且相关的提示。 关于本书

《Essential GraphRAG》展示了如何构建和部署一个生产级的GraphRAG系统。你将学习如何从文本中提取结构化知识，以及如何结合基于向量和基于图的检索方法。本书充满了实践案例，从构建一个基于向量相似性的检索工具和智能RAG应用，到评估性能和准确性等。 书籍内容

嵌入、向量相似性搜索和混合搜索 * 将自然语言转化为Cypher数据库查询 * 微软的GraphRAG流水线 * 智能RAG

适合读者

适合具有中级Python技能，并且有一定图数据库（如Neo4j）经验的读者。 关于作者

《Graph Algorithms for Data Science》一书的作者，LangChain和LlamaIndex的贡献者Tomaž Bratanic，在图形学、机器学习和生成式AI领域拥有丰富的经验。Oskar Hane是Neo4j生成式AI工程团队的负责人。 目录

提高LLM准确性 1. 向量相似性搜索和混合搜索 1. 高级向量检索策略 1. 从自然语言问题生成Cypher查询 1. 智能RAG 1. 使用LLM构建知识图谱 1. 微软的GraphRAG实现 1. RAG应用评估 A. Neo4j环境