RAG 🆚 Graph RAG 🆚 Agenic RAG

🟡RAG استاندارد (Retrieval-Augmented Generation)
در RAG استاندارد، اسناد به بردارهای عددی (Embedding) تبدیل می‌شوند و سپس بر اساس شباهت معنایی، بخش‌های مرتبط بازیابی می‌گردند.
این روش برای یافتن مستقیم اطلاعات و پاسخ به پرسش‌های مبتنی بر واقعیت بسیار مؤثر است؛ اما زمانی که پاسخ نیازمند ترکیب چندین واقعیت پراکنده در اسناد مختلف باشد، با محدودیت مواجه می‌شود. دلیل این موضوع آن است که جستجوی برداری معمولاً روابط میان قطعات مختلف اطلاعات را درک نمی‌کند .

🟢Graph RAG
Graph RAG
یک لایه گراف دانش (Knowledge Graph) به معماری RAG اضافه می‌کند.
در مرحله نمایه‌سازی (Indexing)، یک مدل زبانی بزرگ (LLM) موجودیت‌ها (Entities) و روابط (Relationships) میان آن‌ها را از اسناد استخراج می‌کند و آن‌ها را به صورت یک گراف ذخیره می‌نماید.
در زمان بازیابی اطلاعات، سیستم به جای اتکا صرف به شباهت برداری، در این گراف حرکت می‌کند و مسیرهای ارتباطی میان موجودیت‌ها را پیدا می‌کند. این قابلیت امکان پاسخ‌گویی به پرسش‌های چندمرحله‌ای (Multi-Hop Queries) را فراهم می‌آورد.
#RAG
@toobabigdatascience