Новости

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.

 

Приобрести книгу «Основы GraphRAG. Улучшенный RAG на базе графов знаний» можно на нашем сайте.