Em vez de armazenar dados em linhas e colunas para pesquisas tradicionais, ou como embeddings para pesquisa vetorial, um gráfico de conhecimento representa pontos de dados como nós e arestas. Um nó será um fato ou característica distinta, e arestas conectarão todos os nós que têm relacionamentos relevantes com esse fato. No exemplo de um catálogo de produtos, os nós podem ser os produtos individuais, enquanto as arestas serão características semelhantes que cada um desses produtos possui, como tamanho ou cor.
Enviar uma consulta para um gráfico de conhecimento envolve procurar todas as entidades relevantes para essa pesquisa e, em seguida, criar um subgráfico de conhecimento que reúne todas essas entidades. Isso recupera as informações relevantes para a consulta, que podem ser retornadas ao LLM e usadas para criar a resposta. Isso significa que você pode lidar com o problema de ter várias fontes de dados semelhantes. Em vez de tratar cada uma dessas fontes como distintas e recuperar os mesmos dados várias vezes, os dados serão recuperados uma vez.
Usando um gráfico de conhecimento com RAG
Para usar um gráfico de conhecimento com seu aplicativo RAG, você pode usar um gráfico de conhecimento existente com dados testados e conhecidos como corretos com antecedência ou criar o seu próprio. Quando estiver usando seus próprios dados — como seu catálogo de produtos — você desejará selecionar os dados e verificar se eles são precisos.
