微软推出了新的RAG方法：LazyGraphRAG，旨在利用LLMs从非结构化文本中提取结构化数据。该方法具有低成本、高准确率和高查询效率的特点。
LazyGraphRAG的成本非常低，数据索引成本只有完整GraphRAG的0.1%，同时生成结果的准确率、查询效率很高。
LazyGraphRAG采用轻量级索引，结合NLP中的名词短语提取技术，通过图统计方法优化概念图，并提取层次化的社区结构。它结合了“最佳优先搜索”和“广度优先搜索”的特点，以迭代深化的方式进行查询处理。
用户可以通过解决方案加速器包开始使用GraphRAG系统。该存储库提供了一种使用知识图内存结构来增强LLM输出的方法。需要注意的是，提供的代码仅供演示，并非Microsoft官方支持的产品。
项目链接为https://github.com/microsoft/graphrag和https://www.microsoft.com/en-us/research/blog/lazygraphrag-setting-a-new-standard-for-quality-and-cost/。用户可以通过扫码加入技术交流群，合作时请注明关注「GitHubStore」公众号。
项目简介
微软推出了RAG的新方法：LazyGraphRAG，核心是成本非常低，数据索引成本只有完整GraphRAG的0.1%，生成结果的准确率、查询效率很高。
GraphRAG 项目是一个数据管道和转换套件，旨在利用LLMs的强大功能从非结构化文本中提取有意义的结构化数据。
要详细了解 GraphRAG 以及如何使用它来增强LLM推理私人数据的能力，请访问Microsoft Research 博客文章。
性能
1、索引成本，与向量RAG持平，为GraphRAG的0.1%
2、在本地查询上，与向量RAG相当的查询成本下，优于所有方法，包括长上下文向量RAG、GraphRAG DRIFT搜索、GraphRAG本地搜索
3、在全局查询上，质量与GraphRAG全局搜索相当，查询成本降低了700多倍
4、综合性能上，用GraphRAG全局搜索4%的查询成本，就在本地和全局查询类型上超越所有竞争方法，包括在C2级别的GraphRAG全局搜索
LazyGraphRAG不需要对源数据进行预先总结，避免了过高的前期索引成本
它采用轻量级索引，在这个阶段不使用LLM进行实体和关系总结，而是利用NLP中的名词短语提取技术来识别概念及共现关系，简单提取文本中的关键概念和它们之间的关系，通过图统计方法优化概念图，并提取层次化的社区结构，然后结合了"最佳优先搜索"和"广度优
先搜索"的特点，以迭代深化的方式进行查询处理，做到查询准确且成本可控
快速开始
要开始使用 GraphRAG 系统，我们建议尝试解决方案加速器包。这为 Azure 资源提供了用户友好的端到端体验。
存储库指南
该存储库提供了一种使用知识图内存结构来增强LLM输出的方法。请注意，提供的代码仅供演示，并非 Microsoft 官方支持的产品。
https://github.com/microsoft/graphrag
https://www.microsoft.com/en-us/research/blog/lazygraphrag-setting-a-new-standard-for-quality-and-cost/
扫码
加入技术交流群，备注
