Azure OpenAI教程：适用于金融行业的 GraphRAG 和标准 RAG

GraphRAG

GraphRAG（图形检索增强生成）是自然语言处理中的一种先进方法，它通过结合大型语言模型（LLM）生成的知识图来增强传统的检索增强生成（标准 RAG）系统。

该方法涉及从一组文档构建结构化知识图谱，识别人物、地点和概念等关键实体，并将它们表示为图形结构中的节点。

然后，这些节点被聚类到语义社区中，从而能够针对复杂的多跳问题生成更全面、更多样化的答案。通过利用这些结构化知识图谱，GraphRAG 显著提高了所生成响应的质量和相关性。

参考链接：https://azureopenai.cloudallonline.com/?zxwsh214

微软 Azure OpenAI 企业账户接口申请

标准 RAG 与 GraphRAG 的区别

标准 RAG 和 GraphRAG 主要在信息检索来源和方法上有所不同。

标准 RAG 依靠向量存储根据用户的查询检索相关文档。它对顶级文档进行排序和选择，将它们与查询相结合，然后使用语言模型生成最终响应。相比之下，GraphRAG 利用知识图谱，其中包括实体、关系和文档图谱。它从知识图谱中提取候选实体、关系和概念，对这些候选进行排序和筛选，然后将它们与查询相结合以生成响应。

这种方法使 GraphRAG 能够利用更加结构化和互联的数据，与标准 RAG 以文档为中心的方法相比，提供更丰富、更符合上下文的响应。

标准 RAG 与 Graph RAG 差异

标准 RAG 和 GraphRAG 示例

这是一个简单的例子，用于说明 Standard 和 GraphRAG 之间的区别。假设您想了解保险行业的最新风险。您偶然发现了一篇题为“应对保险行业不断变化的风险”的麦肯锡文章，并决定分析它所面临的当前挑战（应对保险行业不断变化的风险 | 麦肯锡）。您对 Standard RAG 和 GraphRAG 如何帮助您从这篇文章中提取信息感兴趣，尤其是在回答“保险行业的共同主题是什么？”这样的问题时。以下是您使用 Standard RAG 和 GraphRAG 可以找到的内容。

标准 RAG侧重于检索和总结相关文档，从而得出更直接、简洁的答复。

相比之下，Graph RAG 进行整个数据集推理，并通过利用知识图谱中实体之间的关系提供更详细、更互联的响应。这使得它能够提供更丰富的背景信息，突出复杂的主题，例如相互关联的风险因素和人工智能在保险行业的整合。

标准 RAG 输出

GraphRAG 输出

如何确定 GraphRAG 用例

要确定 GraphRAG（检索增强生成）用例，首先要确定复杂关系和上下文理解至关重要的领域。GraphRAG 在数据点相互关联的场景中表现出色，例如知识管理、推荐系统和欺诈检测。首先要映射出您域内的实体及其关系。例如，在保险业中，实体可能包括保单持有人、代理人、保单和索赔，关系代表保单和索赔交易。

接下来，评估使用图形结构相对于传统方法的潜在优势。GraphRAG 可以通过利用这些关系来增强数据检索，从而提供更准确、更符合上下文的信息。这种方法在需要深入洞察和细致理解的领域特别有用，例如索赔欺诈检测，其中客户资料和索赔交易相互关联。通过构建知识图谱，您可以启用更复杂的查询并生成更丰富、更具信息量的响应。

可从标准 RAG 和 GraphRAG 的组合功能中受益的用例

在金融服务领域，Standard RAG 与 GraphRAG 的整合可以显著提高洞察的深度和准确性。例如，在银行业，标准 RAG 和 Graph RAG 的综合力量有助于增强客户关系管理 (CRM) 和风险评估。标准 RAG 可以收集大量客户数据、交易历史记录和市场趋势，全面了解客户的财务行为。同时，Graph RAG 可以分析客户、账户和交易之间错综复杂的关系网络，识别潜在的风险和机会。例如，通过了解客户的相互关联需求，它可以检测到可能表明存在欺诈活动的异常交易模式或突显交叉销售机会。这种整体方法使银行能够提供更加个性化的服务，改善风险管理，并最终推动更好的业务成果。

在保险行业，通过利用这些综合功能，可以彻底改变索赔处理方式。标准 RAG 可以高效检索相关保单文件、历史索赔数据和监管指南，而 Graph RAG 可以绘制索赔所涉及的各个实体之间的关系，例如保单持有人、医疗服务提供者和维修店。这种双重方法不仅可以加速索赔裁定过程，还可以通过发现传统方法可能遗漏的隐藏联系和模式来帮助识别欺诈性索赔。

使用组合 RAG 方法开发端到端副驾驶应用程序

以下是有关如何使用组合 RAG（包括标准 RAG 和 Graph RAG）构建端到端副驾驶类型应用程序的分步指南。

使用 Standard 和 Graph RAG 进行端到端应用程序开发

1. 定义用例和数据

• 用例：灾后索赔管理。数据：历史索赔、客户资料、政策详情、灾害影响数据、地理数据、社交网络、天气模式。

2. 创建并填充知识图谱

• 数据收集：从内部和外部来源收集数据。数据建模：定义实体和关系的模式。数据提取：将数据加载到知识图谱中。

3.索引和嵌入数据

• 文档索引：索引相关文档。嵌入创建：为实体和关系生成嵌入。

4. 设置检索系统

• 文档检索：实现从向量存储中检索文档的系统。图形检索：实现图形查询以提取相关实体和关系。

5. 开发排名和过滤算法

• 文档排名：对文档进行排名并选择顶级文档。图表排名：对图表数据进行排名和过滤。

6. 与语言模型集成

• 合并数据：合并从两个来源检索到的信息。响应生成：使用语言模型生成最终响应。

7. 开发用户界面

• 前端：创建用户友好的界面。后端：确保组件之间的无缝通信。

8. 测试和验证

• 测试场景：验证准确性和相关性。用户反馈：根据反馈改进系统。

9.部署和监控

• 部署：在生产中部署。监控：持续监控和改进。

示例工作流程

1. 用户查询： “处理最近飓风后的索赔。”文档检索：检索历史索赔、政策详情和灾难影响报告。图形检索：提取地理数据、社交网络和实时天气数据。排名和过滤：优先考虑相关信息。响应生成：结合数据并生成全面的索赔管理计划。输出：提供一份详细的报告，内容如下：

• 历史索赔和政策详情。地理影响分析。社交网络洞察以识别受影响的社区。实时天气数据，用于持续的风险评估。有关资源分配和加快索赔处理的建议。

通过遵循这些步骤，您可以有效地实施组合 RAG 方法来加强灾后索赔管理，提供更准确、内容更丰富的响应。

结论和后续步骤

总之，Standard RAG 和 GraphRAG 都具有独特的优势，可以显著增强信息检索和生成任务。Standard RAG 擅长提供简洁的基于文档的摘要，使其成为直接查询的理想选择。另一方面，GraphRAG 利用知识图谱的强大功能提供更详细、更互联的洞察，这在金融服务领域的销售优化和欺诈检测等复杂场景中尤其有价值。

通过了解每种方法的独特功能，组织可以更好地确定何时使用 GraphRAG 来获得丰富的上下文理解，何时依靠标准 RAG 来获得快速、相关的摘要。将这些方法结合到端到端的副驾驶应用程序中可以释放出新的效率和洞察力，从而实现更明智的决策和战略规划。正如示例和用例所证明的那样，标准 RAG 和 GraphRAG 之间的协同作用可以推动创新并改善整个行业的成果。