我们还传递图形提取器 SchemaLLMPathExtractor 作为参数。该对象可用于设置图的节点和关系的详细参数，以便创建合适的图。在我们的示例中，我们使用默认值。
执行代码时，会在 Neo4j 中创建图形。打开日志记录后，我们就可以了解如何将文档分解中的各个块发送到 LLM 以创建嵌入向量。
如果我们现在从远处观察知识图谱，我们会看到下图所示的节点之间的不同关系。在我们的示例中，图表似乎有两个主要节点。
图 2：索引阶段后的数据库图。 A) 图形的可视化) B) 属性、节点和关系。
即使没有提取器的详细配置，我们在图 2B 中看到索引已经为节点和关系类型创建了适当的标签。
如果我们现在仔细查看节点的数据，例如“Paul Graham”，我们不仅 护士电子邮件列表 可以看到创建该节点的源（文件名），还可以看到该节点的嵌入向量，该向量用于在后面搜索就可以了。
数据库一旦生成就可以使用，无需再次创建。为此，我们再次创建一个索引对象，但这次基于现有数据库。
创建后，该图现在可用于推理（查询）。为此，首先创建一个可参数化的查询对象（查询引擎）。
通过向查询引擎发出以下请求，我们收到一个响应对象，其中包含来自 GraphRAG 和语言模型的答案。在响应对象中，我们看到找到了几个节点并用于生成。
我们提出复合问题：“Interleaf 和 Viaweb 发生了什么？”并收到了更长、更复杂的答案：“Interleaf 是众多拥有聪明人才并开发出令人印象深刻技术的公司之一，但却被摩尔定律压垮了。另一方面，Viaweb 是 Paul Graham 工作的一家公司，该公司允许用户通过编辑下面的 Lisp 表达式来定义自己的页面样式。”
总结与展望
在这篇博文中，我们介绍了 GraphRAG 技术，它结合了经典检索增强生成和知识图谱的优点。两种 LLM 都可用于创建知识图谱，并且图谱可用于回答复杂的 RAG 查询。该方法再次展示了 RAG 技术的用途以及它仍然具有的潜力。在下一篇文章中，我们将介绍另一种将 RAG 与数据库结合使用的方法，其中我们将介绍一种称为 Text2SQL 的技术，用于将自然语言查询转换为 SQL 语法。
您想了解更多关于 adesso 世界中令人兴奋的话题吗？那么请看一下我们之前发布的博客文章。