❤️ 如果你也关注 AI 的发展现状，且对 AI 应用开发非常感兴趣，我会每日跟你分享最新的 AI 资讯和开源应用，也会不定期分享自己的想法和开源实例，欢迎关注我哦！
🥦 微信公众号｜搜一搜：蚝油菜花 🥦
🚀 快速阅读
数据索引：大幅降低数据索引成本，仅为GraphRAG的0.1%。
查询性能：在低成本下提供与向量RAG相近的查询性能。
应用场景：适用于一次性查询、探索性分析和流数据处理。
正文（附运行示例）
LazyGraphRAG 是什么
LazyGraphRAG是微软研究院推出的图形增强生成增强检索（RAG）框架，是GraphRAG的迭代版本。LazyGraphRAG在数据索引成本上大幅降低，是GraphRAG的0.1%，同时用新的混合数据搜索方法，提高生成结果的准确率和效率。
LazyGraphRAG在查询处理上结合最佳优先搜索和广度优先搜索，支持本地和全局查询，适合一次性查询、探索性分析和流数据处理，适合成本敏感的场景。LazyGraphRAG将加入到开源的GraphRAG库中，让更多的开发者和企业能运用这一技术。
LazyGraphRAG 的主要功能
- 高效的数据索引：降低数据索引的成本，仅为GraphRAG的0.1%，适用大规模数据集的处理。
- 优化的查询性能：在保持低成本的同时，提供与向量RAG相近的查询性能，特别是在本地查询方面。
- 全球查询质量：在大幅降低查询成本的同时，保持与GraphRAG相当的全球查询答案质量。
- 灵活性和可伸缩性：提供统一的查询接口，支持本地和全局查询，适应不同的查询预算和性能需求。
- 适应一次性查询和流数据处理：适合于一次性查询、探索性分析和流式数据处理。
LazyGraphRAG 的技术原理
- 名词短语提取：在数据索引阶段，用自然语言处理（NLP）中的名词短语提取技术来识别概念及其共现关系。
- 图统计优化：基于图统计方法优化概念图，提取出层次化的社区结构，有助于在查询时快速定位相关概念。
- 混合搜索策略：结合最佳优先搜索和广度优先搜索的策略，基于迭代加深的方式处理查询。
- 动态查询细化：首先按相似度对文本片段进行排名，然后动态选择相关社区来逐步细化查询结果，找到最佳匹配的文本块。
- 成本效益分析：LazyGraphRAG在不同的预算水平下展现出成本效益，包含使用低成本的大模型和更高级的大模型，都能保持查询质量。
资源
- 项目官网：<https://microsoft.github.io/graphrag>
- GitHub 仓库：<https://github.com/microsoft/graphrag>
- Microsoft Research Blog Post：<https://www.microsoft.com/en-us/research/blog/graphrag-unlocking-llm-discovery-on-narrative-private-data/>
- GraphRAG Arxiv：<https://arxiv.org/pdf/2404.16130>
❤️ 如果你也关注 AI 的发展现状，且对 AI 应用开发非常感兴趣，我会每日跟你分享最新的 AI 资讯和开源应用，也会不定期分享自己的想法和开源实例，欢迎关注我哦！
🥦 微信公众号｜搜一搜：蚝油菜花 🥦
