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.
5 причин прочитать:
- Переход от простого RAG к реально точному и объяснимому ИИ.
- Полный производственный пайплайн GraphRAG своими руками.
- Практика важнее теории — десятки рабочих примеров.
- Авторитетные авторы и одобрение от лидеров индустрии.
- Будьте впереди рынка в 2026 году.
Авторы:
Братанич Томаж
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.
Хане Оскар
Оскар Хане возглавляет команду разработчиков генеративного ИИ в Neo4j.
Формат: PDF
