En nuestra ¨²ltima actualizaci¨®n de RAG, introdujimos GraphRAG , descrito originalmente en como un enfoque en dos pasos: (1) fragmentaci¨®n de documentos y uso de an¨¢lisis basado en LLM de los fragmentos para crear un grafo de conocimientos; (2) recuperaci¨®n de fragmentos relevantes en el momento de la consulta mediante incrustaciones mientras se siguen las aristas del grafo de conocimiento para descubrir fragmentos relacionados adicionales, que se a?aden al prompt aumentado. En muchos casos, este enfoque mejora las respuestas generadas por LLM. Hemos observado beneficios similares al utilizar IA generativa para comprender bases de c¨®digo heredadas, donde utilizamos informaci¨®n estructural, como ¨¢rboles sint¨¢cticos abstractos y dependencias, para construir el grafo de conocimiento. El patr¨®n GraphRAG ha ganado adeptos, con herramientas y frameworks como el de Neo4j, que est¨¢n surgiendo para soportarlo. Tambi¨¦n consideramos que Graphiti se ajusta a una interpretaci¨®n m¨¢s amplia de GraphRAG como patr¨®n.
