Привет, Хабожители! Система генерации ответа, дополненная результатами поиска (Retrieval Augmented Generation, RAG), автоматически выбирает и предоставляет контекст, характерный для конкретной предметной области, что значительно улучшает способность LLM генерировать точные ответы без искажений. Подход GraphRAG основывается на использовании графа знаний для структурирования входных данных и существующих в них связей, чтобы получить содержательные и релевантные промпты. Создайте и разверните систему GraphRAG производственного уровня. Научитесь извлекать структурированные знания из текста и комбинировать методы векторного поиска с поиском по графам. Книга богата практическими примерами: от создания инструмента поиска по векторному сходству и приложения Agentic RAG до оценки эффективности и точности результатов работы такого приложения.

Что внутри:

• эмбеддинги, поиск по векторному сходству, полнотекстовый и гибридный поиск;

• преобразование естественного языка в запросы к базам данных Cypher;

• пайплайн GraphRAG от Microsoft;

• приложение Agentic RAG.

Для читателей со средним уровнем владения Python и некоторым опытом работы с графовыми базами данных, такими как Neo4j.

«Упорядочивает хаос RAG-систем, превращая их в четкие и практичные стратегии. Рекомендуется всем, кто собирается создавать интеллектуальные промышленные приложения на основе LLM».
- Илунь Чжан, Mozilla

«Дает и теорию, и практику, которые помогут вам начать свой путь в GraphRAG».
- Майкл Хангер, Neo4

Об авторах

Томаж Братанич

Автор книги Graph Algorithms for Data Science (Manning) и участник проектов LangChain и LlamaIndex, обладает большим опытом работы с графами, машинным обучением и генеративным ИИ.

Оскар Хане

Возглавляет команду разработчиков генеративного ИИ в Neo4j.

Ознакомиться с оглавлением

Полистать отрывок

Приобрести книгу «Основы GraphRAG. Улучшенный RAG на базе графов знаний» можно на нашем сайте. По факту оплаты бумажной версии книги на e‑mail высылается электронная книга. Для Хаброжителей скидка 25% по купону — GraphRAG