在人工智能领域，检索增强生成（RAG）系统因其在文档摘要、知识提取和探索性数据分析任务中的重要性而备受关注。然而，传统RAG方法面临着成本与质量之间的权衡难题。
RAG的局限性
基于向量的RAG在局部化任务中表现出色，但难以处理需要全面理解数据集的全局查询。而图支持的RAG系统通过利用数据结构中的关系提高了全局查询的解决能力，但其高索引成本限制了其在成本敏感场景中的应用。
LazyGraphRAG：革命性的突破
微软推出的LazyGraphRAG解决了上述局限性。它将基于向量的RAG与GraphRAG优势融合，通过消除对高成本初始数据摘要的需求，将索引成本降低至接近基于向量的RAG水平。LazyGraphRAG在性能和成本方面实现了突破性的进步。
成本降低至原来的1/1000
在三种不同的预算场景下，LazyGraphRAG在本地和全局查询方面全面超越所有对比条件。在最低预算下，LazyGraphRAG仅在全局查询时略逊于GraphRAG的全局搜索条件。在中等预算下，LazyGraphRAG全面超越所有对比条件。在高预算下，LazyGraphRAG进一步提升了胜率，展现出其在成本与质量平衡方面的优异扩展性。
LazyGraphRAG与GraphRAG的区别
LazyGraphRAG采用迭代深化的方式，将最佳优先和广度优先两种搜索动态结合起来，以降低对大语言模型的使用成本。其数据索引成本与基于向量的RAG相同，而仅为完整GraphRAG成本的0.1%。在同等配置下，LazyGraphRAG表现出与GraphRAG全局搜索相当的答案质量，但全局查询的成本却降低至1/700以下。
LazyGraphRAG的创新之处
LazyGraphRAG推迟了对大语言模型的使用，从而大大提高答案生成效率。它不会预先处理整个数据集，而是先进行初始相关性测试，以识别潜在的相关性信息。完成这些测试后，系统才会使用大语言模型开展更加深入的分析。
这一创新方法优化了对大语言模型的使用，既降低了成本，又提高了质量，为RAG领域带来了革命性的变革。LazyGraphRAG为成本敏感的场景提供了高效、低成本的解决方案，使其成为致病性查询、探索性分析以及流式数据用例的理想选择。随着相关性测试预算的增加，LazyGraphRAG可以平衡提高答案质量，这使其成为对其他RAG方法进行基准测试的重要工具。
总之，LazyGraphRAG代表了RAG技术发展的里程碑式的进步，它在成本和质量方面实现了突破性的平衡，为行业带来了革命性的变革。
原创文章，作者：睿鸿在线，如若转载，请注明出处：https://mip.orihonor.com/2024/11/29/18420.shtml
