Проблема текстового формата знаний
Традиционные системы RAG (Retrieval-Augmented Generation) часто страдают от того, что качество ответа зависит от того, как именно пользователь сформулировал вопрос. Векторные эмбеддинги фиксируют семантическую близость, но теряют структурные связи между фактами. Автор статьи предлагает пересмотреть архитектуру «слоя знаний», сделав его не просто хранилищем документов, а графом, который можно физически обходить (traverse) при каждом запросе.
Архитектурные инновации
Ключевое отличие предложенного подхода — использование битемпоральных ребер (bitemporal edges). В отличие от обычных графов, где связь между сущностями статична, битемпоральность учитывает два временных измерения: время, когда факт стал истинным, и время, когда он был зафиксирован в системе. Это позволяет системе корректно обрабатывать изменения во времени, избегая противоречий, когда старые данные конфликтуют с новыми.
Второй критический элемент — двухпороговое разрешение сущностей (two-threshold entity resolution). Этот механизм разделяет процесс сопоставления сущностей на два этапа с разными уровнями строгости, что снижает количество ложных срабатываний и пропуска реальных связей.
Сравнение подходов
Для наглядности различий между традиционным RAG и предлагаемым графовым подходом:
| Критерий | Традиционный RAG (Векторный) | Предлагаемый Графовый RAG |
|---|---|---|
| Структура данных | Независимые чанки текста | Связанный граф сущностей |
| Временной контекст | Отсутствует или ограничен метаданными | Битемпоральные ребра (validity + ingestion time) |
| Разрешение сущностей | Часто эвристическое или однопороговое | Двухпороговое (строгое и мягкое сопоставление) |
| Зависимость от формулировки | Высокая (чувствительность к синонимам) | Низкая (структурный обход графа) |
Почему это важно
Перенос качества извлечения (retrieval quality) из свойства формулировки вопроса в свойство системы означает повышение надежности AI-ассистентов. Обход графа позволяет находить ответы, основанные на логических связях, а не только на лексическом сходстве. Это особенно критично для предметных областей с высокой динамикой данных, где факты меняются со временем, а точность исторического контекста играет решающую роль.
Источник: Towards Data Science ↗