是否需要 GraphRAG？从基本 RAG 到具有上下文优化的图形/代理解决方案

随着 GraphRAG 和 Agentic RAG 等高级 RAG 变体的出现，一个主要问题是何时以及如何使用它们。在这里，我们介绍了一个在半结构化知识库上评估和比较不同 RAG 场景的框架，包括常规 RAG、GraphRAG、Modular RAG 和 Agentic RAG。我们提供了9种标准化RAG场景的实现，并进行了实验以进行全面比较。这些场景是针对有关数据和域限制的实际用例而设计的，范围从简单的基于文档的检索到高级功能，例如混合文本图检索、与计算或预定义的领域知识图的集成、代理多步骤规划以及代理图集成。此外，我们为 GraphRAG 和 Agentic RAG 提出了一种新颖的上下文工程方法，解决了上下文/内存溢出问题，通过新的表示和代理循环设计有效地管理文本和图形检索，从而减少了 19%-53% 的词元使用量。此外，进一步的分析发现了检索与生成之间的差距，即扩展检索并不能成比例地提高生成质量，这表明面向检索的指标夸大了高级检索的好处。这项工作提供了关于何时以及如何使用它们来构建生产就绪的智能 RAG 系统的数据驱动见解。