- عنوان کتاب: Essential GraphRAG -Knowledge Graph-Enhanced RAG
- نویسنده: Tomaž Bratanic, Oskar Hane
- حوزه: گراف دانش
- سال انتشار: 2025
- تعداد صفحه: 178
- زبان اصلی: انگلیسی
- نوع فایل: pdf
- حجم فایل: 2.08 مگابایت
کتاب Essential GraphRAG برای راهنمایی خوانندگان در بهبود سیستمهای بازیابی مبتنی بر تولید افزوده (RAG) با ادغام گرافهای دانش با مدلهای زبانی بزرگ (LLM) نوشته شده است. این کتاب با ترکیب دادههای ساختاریافته و بدون ساختار از طریق روشهای عملی و مثالهای عملی، به محدودیتهای LLMها، مانند دانش قدیمی، توهمات و کمبود دادههای خاص دامنه، میپردازد. هدف اصلی Essential GraphRAG نشان دادن این است که چگونه گرافهای دانش میتوانند دقت، عملکرد و قابلیت ردیابی سیستمهای RAG را در برنامههای هوش مصنوعی مولد بهبود بخشند. این کتاب، پایهگذاری LLMها را با دادههای ساختاریافته و بدون ساختار بررسی میکند و یک راهنمای جامع برای ساخت یک سیستم GraphRAG از ابتدا ارائه میدهد. این کتاب سالها تخصص در گرافها، یادگیری ماشین و توسعه برنامه را برای ارائه الگوهای معماری پایدار در یک زمینه به سرعت در حال تحول ترکیب میکند. خوانندگان یاد خواهند گرفت که GraphRAG را بدون تکیه بر چارچوبهای موجود پیادهسازی کنند، دانش ساختاریافته را از متن استخراج کنند و برنامههایی را توسعه دهند که روشهای بازیابی مبتنی بر بردار و مبتنی بر گراف، از جمله رویکرد GraphRAG مایکروسافت را ترکیب میکنند. این کتاب از طریق انجمن گفتگوی liveBook خود، مشارکت فعال را تشویق میکند تا محتوا را اصلاح و درک جمعی را تعمیق بخشد.
Essential GraphRAG was written to guide readers in enhancing retrieval-augmented generation (RAG) systems by integrating knowledge graphs with large language models (LLMs). The book aims to address the limitations of LLMs, such as outdated knowledge, hallucinations, and a lack of domain-specific data, by combining structured and unstructured data through practical methodologies and hands-on examples. The primary goal of Essential GraphRAG is to demonstrate how knowledge graphs can improve the accuracy, performance, and traceability of RAG systems in generative AI applications. The book explores grounding LLMs with both structured and unstructured data, offering a comprehensive guide to building a GraphRAG system from scratch. It combines years of expertise in graphs, machine learning, and application development to present stable architectural patterns in a rapidly evolving field. Readers will learn to implement GraphRAG without relying on existing frameworks, extract structured knowledge from text, and develop applications that blend vectorbased and graph-based retrieval methods, including Microsoft’s GraphRAG approach. The book encourages active participation through its liveBook discussion forum to refine content and deepen collective understanding.
این کتاب را میتوانید از لینک زیر بصورت رایگان دانلود کنید:
نظرات کاربران