በ2025 የ knowledge graph RAG ለመቆጣጠር ምርጥ የGraphRAG መማሪያዎች
መደበኛ RAG (Retrieval-Augmented Generation) ውስብስብ፣ ብዙ-ሆፕ ጥያቄዎችን እንዲያስኬድ ለማድረግ ሞክረው የማያውቁ ከሆነ - በዐውደ-ጽሑፉ ገደቦች ስር ሲፈርስ ለመመልከት - ብቻዎን አይደሉም። GraphRAG ብዙ ገንቢዎች እየተቀየሩ ያሉት ማሻሻያ ነው። የ knowledge graphን ከ RAG ጋር በማጣመር፣ GraphRAG የእርስዎ AI የተዋቀረ አመክንዮ እንዲያከናውን፣ አካላትን እና ግንኙነቶችን እንዲከታተል እና ከብዙ ሰነዶች ጋር የሚዛመዱ ጥያቄዎችን በበለጠ ታማኝነት እንዲመልስ ያስችለዋል።
በዚህ ተግባራዊ፣ መፍትሄ ላይ ያተኮረ መመሪያ፣ በአሁኑ ጊዜ ያሉትን ምርጥ GraphRAG መማሪያዎችን፣ እንዴት እንደሚለያዩ፣ ለማን እንደሆኑ እና ለአገልግሎት ዝግጁ የሆነ GraphRAG pipeline ለመላክ ፈጣኑ መንገድ ምን እንደሆነ እንገልፃለን። በግራፉ ውስጥ እንዳትጠፉ እጅግ ጠቃሚ ምክሮችን፣ ሊወገዱ የሚገባቸውን አደጋዎች እና የአስተያየት የመማሪያ መንገድን እንጨምራለን።
ማስታወሻ፡ ይህ ማጠቃለያ ለእያንዳንዱ ምን እንደሚማሩ ጨምሮ ከፍተኛ የማህበረሰብ መማሪያዎችን እና ማጫወቻ ዝርዝሮችን ይቆጣጠራል፣ ስለዚህ ለግቦችዎ ትክክለኛ መነሻ ነጥብ መምረጥ ይችላሉ።
GraphRAG ምንድን ነው እና ለምን አስፈላጊ ነው
- GraphRAG መልሶ ማግኘትን እና ምክንያታዊነትን ለማሻሻል የ knowledge graphን ከ RAG ጋር ያዋህዳል። የጽሑፍ ቁርጥራጮችን ብቻ ከማግኘት ይልቅ የተዋቀሩ አንጓዎችን እና ጠርዞችን—አካላትን፣ ግንኙነቶችን እና መንገዶችንም ያገኛሉ።
- ለምን ከመደበኛው RAG የተሻለ ነው: GraphRAG ብዙ-ሆፕ መጠይቆችን ይደግፋል (ለምሳሌ፣ “በኋላ በጀት ያለፈባቸው ፕሮጀክቶች ክፍሎችን ያቀረቡት የትኞቹ ሻጮች ናቸው?”)፣ ለአካላት እና ተመሳሳይ ቃላት መልሶ ማግኘትን ያሻሽላል፣ እና መልሶችን በግልጽ በግራፍ መዋቅር ውስጥ በመመስረት ቅዠትን ይቀንሳል።
- መቼ ነው መጠቀም ያለብዎት: የድርጅት ፍለጋ፣ የምርምር ረዳቶች፣ የህግ/የጤና እንክብካቤ ኮርፖራ፣ የፋይናንስ ትንተና፣ የአደጋ ምላሽ እና ግንኙነቶች እንደ ይዘቱ አስፈላጊ በሆኑበት ማንኛውም ጎራ።
ይህን ዝርዝር እንዴት መጠቀም እንደሚቻል
- ፈጣን መሠረት ከፈለጉ፡ በአጭር የመግቢያ ቪዲዮ ይጀምሩ።
- የሚመራ ኮድ ከፈለጉ፡ የማጫወቻ ዝርዝር ወይም በ notebook የሚመራ መማሪያ ይምረጡ።
- አቀራረቦችን ማወዳደር ከፈለጉ፡ LangChain፣ LlamaIndex፣ Neo4j ወይም NetworkX በመጠቀም ምሳሌዎችን ይፈልጉ።
10 ምርጥ የ GraphRAG መማሪያዎች (በእጅ የተመረጡ)
ከዚህ በታች ያሉት ምርጥ የGraphRAG መማሪያዎች፣ ለማን እንደሚሻሉ፣ ምን እንደሚማሩ እና ማንኛውንም አስደናቂ የአተገባበር ዝርዝሮችን ጨምሮ ቀርበዋል።
1) ወደ GraphRAG መግቢያ — Zach Blumenfeld (ቪዲዮ)
- ለሚከተሉት በጣም ጥሩው: የ knowledge graph ግንባታ እና ግራፍ-አውቃቂ የማግኛ ቅጦች አጭር ጽንሰ-ሀሳባዊ አጠቃላይ እይታ ለሚፈልጉ ጀማሪዎች።
- ምን ይማራሉ፡ GraphRAG የ knowledge graphን ከጽሑፍ እንዴት እንደሚገነባ፣ ዋና የማግኛ ስልቶች (የአካባቢ ማስፋፊያ፣ የpath መጠይቆች) እና በእውነተኛ የጥያቄ እና መልስ መስመሮች ላይ እንዴት እንደሚተገብሯቸው።
- ለምን ጥሩ ነው፡ ግልጽ መዋቅር፣ ተግባራዊ አቀራረብ እና ከ GraphRAG ዲዛይን በስተጀርባ ባለው “ለምን” ላይ ትኩረት መስጠቱ ነው።
2) ወደ GraphRAG መግቢያ (የኮንፈረንስ ንግግር/ጥልቅ ዳሰሳ)
- ለሚከተሉት በጣም ጥሩው: ሰነዶችን ለመተንተን እና ለጥያቄ እና መልስ የ GraphRAG ሰፋ ያለ፣ የአጠቃቀም-ጉዳይ ተኮር የእግር ጉዞ ለሚፈልጉ ገንቢዎች።
- ምን ይማራሉ፡ የግራፍ አወቃቀሮች ቅዠትን እንዴት እንደሚቀንሱ፣ ያልተዋቀረ እና የተዋቀረ መልሶ ማግኘትን እንዴት ማጣመር እንደሚችሉ እና መልሶችን እንዴት መገምገም እንደሚችሉ::
- ለምን ጥሩ ነው፡ በንድፈ ሃሳብ እና በእውነተኛ የምርት ተግዳሮቶች መካከል ያለውን ግንኙነት ያገናኛል።
3) GraphRAG መማሪያዎች ማጫወቻ ዝርዝር (ባለብዙ ክፍል ተከታታይ)
- ለሚከተሉት በጣም ጥሩው: በርካታ የመግቢያ ነጥቦች ያሉት ደረጃ በደረጃ ሥርዓተ ትምህርት የሚመርጡ ተማሪዎች (ለምሳሌ፣ “GraphRAG ምንድን ነው?”፣ “GraphRAG vs RAG”፣ “LangChain ለጀማሪዎች”)።
- ምን ይማራሉ፡ ከCSV እና LangChain በመጠቀም እጅ-ላይ ግንባታዎችን እስከ መሰረታዊ ነገሮች እና አርክቴክቸር ድረስ። ከጫፍ-እስከ-ጫፍ ማሳያ እየገነቡ ከሆነ ተስማሚ ነው።
- ለምን ጥሩ ነው፡ ለተራማጅ ትምህርት የተደራጀ እና ተግባራዊ ምሳሌዎችን እና ለጀማሪ ተስማሚ መሣሪያዎችን ያካትታል።
4) የመሠረት Notebook: የ knowledge graphን ከሰነዶች መገንባት
- ለሚከተሉት በጣም ጥሩው: ከጥሬ ጽሑፍ → የነገር ማውጣት → የግራፍ ፈጠራ → መጠይቅ መሄድ ለሚፈልጉ መሐንዲሶች።
- ምን ይማራሉ፡ NERን፣ የዝምድና ማውጣት ቅጦችን ለኤልኤልኤም ወይም ለspaCy በመጠቀም፣ ግራፍ በNetworkX/Neo4j መገንባት፣ ከዚያ መልሶ ማግኘትን እና መልሶችን ደረጃ መስጠት።
- ለምን ጥሩ ነው፡ ንድፈ ሃሳቡን ብቻ ሳይሆን ሙሉውን የመመገብ-ለማነጋገር ዑደት ያስተምራል።
5) LangChain + GraphRAG ፈጣን ጅምር
- ለሚከተሉት በጣም ጥሩው: አነስተኛ ሙጫ ኮድ ያለው ግራፍ-አውቃቂ መልሶ ማግኛ እና የሰንሰለት ስብስብ ለሚፈልጉ LangChain ን አስቀድመው ለሚጠቀሙ ቡድኖች።
- ምን ይማራሉ፡ ጽሑፍን ወደ ግራፎች መረጃ ጠቋሚ ማድረግ፣ ድብልቅ ማግኛ (ቬክተር + ግራፍ) እና የግራፍ ጥቅሶችን መጠየቂያ አብነት።
- ለምን ጥሩ ነው፡ ፈጣን ፕሮቶታይፕ ለመስራት ታዋቂ ሥነ-ምህዳርን ይጠቀማል።
6) LlamaIndex የ Knowledge Graph ማውጫ መማሪያ
- ለሚከተሉት በጣም ጥሩው: የ LlamaIndexን ገላጭ ቅጦች ለሚመርጡ ገንቢዎች።
- ምን ይማራሉ፡ የ KnowledgeGraphIndex መፍጠር፣ triplets ማውጣት፣ የ KG መልሶ ማግኘትን ከቬክተር ማከማቻዎች ጋር ማጣመር እና ገምጋሚዎችን መገንባት።
- ለምን ጥሩ ነው፡ የተዋቀሩ እና ያልተዋቀሩ ምልክቶችን ለመደባለቅ ንጹህ አብስትራክሽን።
7) በ Neo4j የተጎላበተ GraphRAG ማሳያ
- ለሚከተሉት በጣም ጥሩው: ACID፣ መለካት እና የ Cypher መጠይቆች በሚፈልጉበት የምርት-ተኮር ማዋቀር።
- ምን ይማራሉ፡ ለግራፍ ንድፍ ንድፍ፣ ለጥያቄ እና መልስ የ Cypher አብነቶች እና የካሼ ስልቶች ምርጥ ልምዶች።
- ለምን ጥሩ ነው፡ የኢንዱስትሪ ደረጃ የውሂብ ማከማቻ እና የበሰለ የጥያቄ ሞዴል።
8) GraphRAG ለ CSV/ሠንጠረዥ መረጃ
- ለሚከተሉት በጣም ጥሩው: ግንኙነቶችን በመጠቀም ሠንጠረዦችን ማበልጸግ እና ለ BI-የሚመስሉ ጥያቄዎች GraphRAG ን መጠቀም ለሚፈልጉ ተንታኞች።
- ምን ይማራሉ፡ ረድፎችን ወደ አካላት እና ጠርዞች መለወጥ፣ ፋይሎችን መቀላቀል እና በንግድ አካላት ላይ አመክንዮ ማካሄድ።
- ለምን ጥሩ ነው፡ ቡድኖችን የውሂባቸው ትክክለኛ በሆነበት ቦታ ያገናኛል - የተመን ሉሆች እና ወደ ውጭ መላኮች።
9) የEvaluation-First GraphRAG አውደ ጥናት
- ለሚከተሉት በጣም ጥሩው: በጥራት እና በአስተማማኝነት ላይ ያተኮሩ ቡድኖች።
- ምን ይማራሉ፡ የመሬት አቀማመጥ ማስቆጠር፣ የመልስ ታማኝነት፣ የpath ሽፋን እና የግራፍ ጥቅሶችን ለመፈተሽ መጠየቂያዎችን።
- ለምን ጥሩ ነው፡ “አሪፍ ማሳያ፣ ደካማ መልሶች” ወጥመድን ይከላከላል።
10) GraphRAG Multi-hop QA Cookbook
- ለሚከተሉት በጣም ጥሩው: የላቁ ተጠቃሚዎች።
- ምን ይማራሉ፡ በግራፍ ሰፈሮች ላይ ለብዙ-ሆፕ አመክንዮ ማነሳሳት፣ ተለዋዋጭ ማስፋፊያ እና በቬክተር እና በግራፍ ማግኛ መካከል መዘዋወር።
- ለምን ጥሩ ነው፡ ከቀላል ፍለጋዎች ወደ አመክንዮ ሰንሰለቶች እንዴት እንደሚለኩ ያሳያል።
የሚመከር የመማሪያ መንገድ (ፈጣን-ትራክ)
- ዋና የአእምሮ ሞዴሎችን ለመቆለፍ የ10–15 ደቂቃ መግቢያ ይመልከቱ፡
- የግራፍ ግንባታ እና የተለመዱ የማግኛ ቅጦችን ለመረዳት በ Zach Blumenfeld መግቢያ ይጀምሩ።
- በሰነድ ትንተና እና በጥያቄ እና መልስ ውስጥ መተግበሪያዎችን ለማየት ከሰፋው ወደ GraphRAG ንግግር ጋር ይከተሉ።
- ከተዋቀረ ማጫወቻ ዝርዝር የሚመራ ግንባታ ያድርጉ፡
- CSVዎችን ለማስመጣት፣ አካላትን/ጠርዞችን ለመፍጠር እና ቀላል የQA ሰንሰለት ለማሄድ የ GraphRAG መማሪያዎች ማጫወቻ ዝርዝርን በመጠቀም ለጀማሪ ተስማሚ የሆነ ምሳሌን ይተግብሩ።
- እውነተኛ የግራፍ ዳታቤዝ እና ድብልቅ መልሶ ማግኘትን ያክሉ:
- ትልልቅ የስራ ጫናዎችን ለማስተናገድ በማስታወሻ ውስጥ ያለውን ግራፍዎን (ለምሳሌ NetworkX) ወደ Neo4j ያዛውሩ።
- የቬክተር ፍለጋን (FAISS/PGVector/Elastic) እና የግራፍ ማግኛን ይደረድሩ፤ ወደ LLM ከመላክዎ በፊት ውጤቶችን እንደገና ደረጃ ይስጡ።
- ታማኝነት/የመሬት አቀማመጥ ማረጋገጫዎችን ያክሉ።
- ለምላሾች ጥቅም ላይ የዋሉ የግራፍ መንገዶችን ይግቡ። ጥቅሶች የሌሉባቸውን ምላሾች ይቀጡ።
- የእርስዎን አካል/ዝምድና ማውጣት መጠየቂያዎችን ያስተካክሉ።
- መልሶ ማግኘትን ለማሻሻል አካላትን (ቅጽል ስሞችን፣ ምህጻረ ቃላትን) መደበኛ ያድርጉ።
በአብዛኛዎቹ የ GraphRAG መማሪያዎች ውስጥ የሚያዩዋቸው ዋና ፅንሰ-ሀሳቦች
- የ Knowledge graph ግንባታ፡ triplet ማውጣት እንደ
(አካል) —[ዝምድና]→ (አካል)።
- የግራፍ ማከማቻ፡ ለማሳያዎች በማስታወሻ ውስጥ ያለ ግራፍ፤ ለምርት Neo4j ወይም ሌሎች የግራፍ ዲቢዎች።
- ሁለትዮሽ መልሶ ማግኛ፡ እጩ ቁርጥራጮችን ለማግኘት የቬክተር ተመሳሳይነት + ለአመክንዮ የግራፍ ሰፈር ማስፋፊያ።
- ባለብዙ-ሆፕ መጠይቆች፡ በግንዶች ላይ ከገደቦች ጋር የpath ፍለጋ (ጊዜ፣ ዓይነት፣ ክብደት)።
- የመልስ ውህደት፡ LLM የተገኙትን ቁርጥራጮች እና መንገዶችን ወደ አጭር ምላሽ ያዋህዳል።
- ግምገማ፡ መልሶች አንጓዎችን/ጠርዞችን መጥቀሳቸውን ያረጋግጡ፣ ጽሑፍን ብቻ አይደለም።
ተግባራዊ፣ አነስተኛ የ GraphRAG ንድፍ
ሊያስተካክሉት የሚችሉት ከፍተኛ ደረጃ ያለው የኮድ ንድፍ ይኸውና። የሚመርጧቸውን ቤተ-መጻሕፍት ይቀያይሩ።
# 1) መመገብ እና ማውጣት
texts = load_documents("./docs")
triplets = extract_triplets_with_llm(texts) # (ራስ፣ ዝምድና፣ ጭራ)
# 2) ግራፍ መገንባት
import networkx as nx
g = nx.DiGraph
for h, r, t in triplets:
g.add_node(h)
g.add_node(t)
g.add_edge(h, t, relation=r)
# 3) ድብልቅ መልሶ ማግኛ
query = "በ2023 በጀት ያለፈባቸው ፕሮጀክቶች ላይ የሰሩት አቅራቢዎች የትኞቹ ናቸው?"
vector_hits = vector_search(texts, query, top_k=8)
seed_nodes = entities_from_query(query)
# ሰፈር ማስፋፋት
subgraph = expand_neighborhood(g, seed_nodes, depth=2)
# 4) የማዋሃድ ጥያቄ
context = render(vector_hits) + render_paths(subgraph)
answer = llm("""
እርስዎ ትክክለኛ ተንታኝ ነዎት። ከአውድ ውስጥ እውነታዎችን ብቻ በመጠቀም ይመልሱ።
አግባብነት ሲኖረው የግራፍ አንጓዎችን/ጠርዞችን ይጠቅሱ።
ጥያቄ፡ {query}
ዐውደ-ጽሑፍ፡ {context}
""")
# 5) መገምገም
assert grounded(answer)
የተለመዱ አደጋዎች (እና መማሪያዎች እነሱን ለማስወገድ እንዴት እንደሚረዱዎት)
- የአካል ፍንዳታ፡ ወጥነት በሌለው ስያሜ ምክንያት በጣም ብዙ የተለያዩ አንጓዎች። በቅጽል ስም መዝገበ ቃላት እና መደበኛነት ማስተካከል።
- ጥልቀት የሌላቸው ግራፎች፡ የእርስዎ ማውጣት ግልጽ ግንኙነቶችን ብቻ የሚይዝ ከሆነ፣ ባለብዙ-ሆፕ መጠይቆች ደካማ ይሆናሉ። መጠየቂያዎችን ይድገሙ እና የግንኙነት እጩዎችን ያክሉ።
- በቬክተር ፍለጋ ላይ ከመጠን በላይ መተማመን፡ GraphRAG ጠርዞችን በትክክል ሲከተሉ ያበራል። የእርስዎ መስመር ሰፈሮችን ማስፋፋቱን ያረጋግጡ።
- የጠፋ ግምገማ፡ የጥበቃ ሀዲዶችን ያክሉ—የታማኝነት ማስቆጠር፣ የጥቅስ ማረጋገጫዎች እና የpath ሽፋን።
የእርስዎን ቁልል መምረጥ
- ማውጣት፡ ለትክክለኛነት spaCy + በደንብ ላይ የተመሰረቱ ቅጦች፤ ለሽፋን በኤልኤልኤም ላይ የተመሰረተ triplet ማውጣት።
- ማከማቻ፡ ፕሮቶታይፕ ለመስራት NetworkX፤ ለምርት Neo4j፤ የትርጓሜ ድር መሣሪያ ከፈለጉ RDF መደብሮች።
- ማስተባበር፡ ሰንሰለትን ለማፋጠን LangChain ወይም LlamaIndex።
- መልሶ ማግኛ፡ የቬክተር መደብሮችን (FAISS፣ PGVector፣ Elasticsearch) ከግራፍ መጠይቆች ጋር (Cypher/Gremlin ወይም ብጁ መሻገሪያ) ያዋህዱ።
- ሞዴሎች፡ ጠንካራ ተጨባጭ መሠረት ያለው መመሪያ የተስተካከለ LLM ይጠቀሙ፤ ለግል ውሂብ ትናንሽ የአካባቢ ሞዴሎችን ያስቡ።
በነገራችን ላይ፡ በ Sider.AI ምርምርን እና ድግግሞሽን ያፋጥኑ
ልብ ሊባል የሚገባው፡ የ GraphRAG ሰነዶችን እየመረመሩ፣ ኤፒአይዎችን እያወዳደሩ ወይም መጠየቂያዎችን እየደገሙ ከሆነ፣ በአሳሽዎ ውስጥ የሚኖር የጎን አውሮፕላን ማባዣ ሊሆን ይችላል። በ Sider.AI፣ ረጅም የ GraphRAG መማሪያዎችን ማጠቃለል፣ የደረጃ ዝርዝሮችን ማውጣት እና ሲመለከቱ ወይም ሲያነቡ የሙከራ መጠየቂያዎችን በቀጥታ በስራ ፍሰትዎ ውስጥ መፍጠር ይችላሉ። ንድፍን እያስወገዱ ከሆነ፣ የ Cypher መጠይቆችን ወይም የግምገማ ማረጋገጫ ዝርዝሮችን እንዲያዘጋጅ ይጠይቁት። Sider.AIን እዚህ ያስሱ፡ https://sider.ai./ እነዚህን የ GraphRAG መማሪያዎች ተከትሎ ምን መገንባት እንዳለበት
- ለአካላት እና ለግንኙነቶች ጥቅሶች ያሉት “ለምን” እና “እንዴት” ለሚሉት ጥያቄዎች መልስ የሚሰጥ የምርምር ረዳት።
- ሰዎችን፣ ኩባንያዎችን እና ክስተቶችን በመዝገቦች እና መጣጥፎች ውስጥ የሚያገናኝ የተነቃቃ ኦፊሰር።
- ተግባራዊ መመሪያ ለመስጠት ፖሊሲዎችን → ባለቤቶችን → ስርዓቶችን → ክስተቶችን የሚያቋርጥ የውስጥ ፖሊሲ አማካሪ።
ቁልፍ መውሰዶች
- GraphRAG የተዋቀሩ ግንኙነቶችን በመጨመር RAGን ከፍ ያደርገዋል—ለብዙ-ሆፕ አመክንዮ እና ለመሠረት መልሶች ወሳኝ ነው።
- በአጫጭር መግቢያዎች ይጀምሩ፣ ከዚያ ከጫፍ-እስከ-ጫፍ መስመር የሚገነባ ማጫወቻ ዝርዝር ወይም notebook ይሂዱ።
- የቬክተር እና የግራፍ መልሶ ማግኘትን ይቀላቅሉ፤ መንገዶችን ይግቡ እና ከመጀመሪያው ቀን ጀምሮ ታማኝነትን ይገምግሙ።
- ለመለካት እና ለአስተማማኝነት የግራፍ ዳታቤዝ ይጠቀሙ፤ የአንጓ ዉፍረትን ለመቆጣጠር አካላትን መደበኛ ያድርጉ።
FAQ
Q1: GraphRAG ምንድን ነው እና ከመደበኛው RAG እንዴት ይለያል?
GraphRAG ሞዴሉ የጽሑፍ ቁርጥራጮችን ብቻ ሳይሆን አካላትን እና ግንኙነቶችን መከተል እንዲችል የ knowledge graphን ወደ መልሶ ማግኛ ያዋህዳል። ይህ ከመደበኛው RAG ጋር ሲነጻጸር ባለብዙ-ሆፕ አመክንዮ እና የበለጠ መሠረት ያላቸው መልሶች ያስችላል።
Q2: ለጀማሪዎች ምርጥ የ GraphRAG መማሪያዎች ምንድን ናቸው?
እንደ “ወደ GraphRAG መግቢያ — Zach Blumenfeld” ያሉ አጫጭር ቪዲዮዎች እና ለመሠረታዊ ነገሮች ሰፋ ያለውን “ወደ GraphRAG መግቢያ” ንግግር ይጀምሩ፣ ከዚያ እንደ GraphRAG መማሪያዎች ተከታታይ ደረጃ በደረጃ ግንባታዎች ያሉ የተዋቀረ ማጫወቻ ዝርዝር ይጠቀሙ።
Q3: GraphRAGን ተግባራዊ ለማድረግ ምን አይነት መሳሪያዎችን መጠቀም አለብኝ?
ፈጣን ጅምር ለማድረግ፣ NetworkXን ለፕሮቶታይፕ እና Neo4jን ለምርት በመጠቀም LangChain ወይም LlamaIndex ይጠቀሙ። የቬክተር መደብሮችን (FAISS፣ PGVector፣ Elasticsearch) ከግራፍ መጠይቆች ጋር (Cypher ወይም ብጁ መሻገሪያ) ያዋህዱ።
Q4: GraphRAG ስርዓትን እንዴት መገምገም እችላለሁ?
የመሬት አቀማመጥን እና ታማኝነትን ይከታተሉ፣ ወደ ግራፍ አንጓዎች/ጠርዞች ጥቅሶችን ይጠይቁ እና ለብዙ-ሆፕ መጠይቆች የpath ሽፋንን ይተንትኑ። የማውጣት መጠየቂያዎችን እና የንድፍ መደበኛነትን በተመለከተ የክፍል ሙከራዎችን ይፍጠሩ።
Q5: GraphRAG ከ CSV ወይም ሠንጠረዥ መረጃ ጋር መስራት ይችላል?
አዎ። ረድፎችን ወደ አካላት እና ግንኙነቶች ይለውጡ፣ ሠንጠረዦችን በቁልፎች ያገናኙ እና እንደ አቅራቢዎች፣ ፕሮጀክቶች እና በጀቶች ያሉ ብዙ ምንጮችን የሚሸፍኑ የንግድ ጥያቄዎችን ለመመለስ GraphRAG ይጠቀሙ።
