发布周第 5 天 - 图谱 RAG 🕸️

我们以全新的图谱 RAG 组件为发布周划上圆满句号，该组件通过利用文档之间的关系，轻松提高您的向量搜索准确性。

大多数开发者使用 Langflow 构建强大的 RAG（检索增强生成）管道已有一段时间。现在，图谱 RAG 组件通过提高准确性并直接整合数据关系，将您的工作流程提升到一个新的水平。这一新增功能实现了与现有数据库的无缝集成，让您对检索过程有更多控制，并通过利用数据点之间的关系增强了上下文感知能力。借助 Langflow 中的图谱 RAG，您的 AI 应用现在可以浏览复杂的信息网络，以提供更全面、更准确的响应。 

工作原理

图谱 RAG 通过提供识别文档之间有意义关系的能力，改进了传统的向量搜索。看似典型的向量存储检索实际上要强大得多。新的图谱组件直接从您的向量存储中引用数据，并利用元数据识别实体之间的连接。 

当系统处理您的数据集时，它会识别和映射诸如专有名词、文档结构以及其他关系数据之间的关系。该组件通过现有数据执行图谱遍历，从而提供更能感知上下文的响应，理解不同信息片段之间的关联方式。

开始使用

使用黄色的 “向量存储连接” 点将您的 向量存储 组件连接到 图谱 RAG 组件。如果您使用的嵌入模型不是 NV-Embed-QA，请记住将您的 “嵌入模型” 组件连接到您的 “向量存储” 组件。将 聊天输入 组件连接到 图谱 RAG 组件的“搜索查询”字段，其余流程就像标准的向量存储 RAG 管道一样工作。在图谱 RAG 组件中，您可以定义特定的关系、边缘和遍历策略，以自定义数据连接在响应查询时的解释和利用方式。

总结

希望您对开始为您的 AI 驱动的代理和流程构建更好的查询感到兴奋！以下是一些后续步骤

• 查看关于新图谱 RAG 组件的文档。
• 加入 Langflow Discord ，告诉我们您正在构建什么或是否需要帮助。
• 在 Github 上查看我们的 项目 ，如果喜欢就给我们点个星！

编码愉快！🎉