说明一:这个GraphRAG示例Shiny APP选取了网络小说《悟空传》的前7章建立知识图谱来回答问题。
对话中Agent会根据所提的问题选择是否查询知识图谱,如果是全局性的问题,会使用知识图谱中预先生成的社区摘
要来回答问题;如果是局部性的问题,会在知识图谱中查找最相似的问题,并找到最相关的其它材料来回答问题。
因为是要求准确的回答,LLM受到指示,如果不知道答案就回答不知道。所以RAG实际上是Prompt Engineering
的一种形式,它有效克服了LLM的幻觉、知识缺失和知识截止的问题,GraphRAG则通过使用知识图谱检索逻辑上深度相关的
附加材料,让LLM的回答更准确更有深度,更符合现实世界的客观事实与逻辑,更适用于法律、金融、医疗、教育等
准确率要求很高的领域。
例如:
1、不需要检索知识图谱的普通聊天:
你好吗?
2、要检索知识图谱的全局查询问题:
《悟空传》书中的主要人物有哪些?
唐僧的取经团队对路上遇到的妖怪采取什么样的态度?
3、要检索知识图谱的局部查询问题:
孙悟空跟女妖之间有什么故事?
唐僧和会说话的树讨论了什么?
说明二:对话输出中在知识图谱的引用上有超链接,点击可以溯源查验。如果是引用了社区,就在“溯源查验”页中显示社区的
摘要与全文,如果是引用了文本块,就显示文本块的内容。有可能出现的情况是,只有1个实体结点的社区没有
做摘要,会显示“在知识图谱中没有检索到该语料”。
说明三:LangGraph的删除消息功能目前还在Beta阶段,暂不支持清空整个对话,至少要保留第1轮对话。
对话记录