文章摘要
【关 键 词】 LazyGraphRAG、检索增强、成本效益、性能评估、数据索引
微软最近推出了LazyGraphRAG，这是一种新型的RAG（检索增强生成）系统，旨在以高效且低成本的方式实现图形RAG功能。LazyGraphRAG结合了VectorRAG和GraphRAG的优势，同时克服了它们的局限性。VectorRAG擅长处理局部化任务，如从特定文本片段中检索直接答案，而GraphRAG则更擅长处理需要全面理解数据集的全局性查询。然而，GraphRAG的高索引成本使其在成本敏感的场景中难以被接受。
LazyGraphRAG通过消除对高成本初始数据摘要的需求，将索引成本降至接近向量RAG的水平，同时保持了GraphRAG在全局查询中的优势。微软研究人员表示，LazyGraphRAG在成本和质量方面实现了天然可扩展性，能够在理想的成本和质量范围内表现出强大性能。此外，它还降低了整个数据集的全局搜索成本，并使得本地搜索更加高效。
为了评估LazyGraphRAG的性能，微软设计了三种不同的预算场景。在最低预算场景下，LazyGraphRAG在本地和全局查询中显著优于所有条件，仅在全局查询时略逊于GraphRAG的全局搜索条件。在中等预算和高预算场景下，LazyGraphRAG在本地和全局查询上全面超越所有对比条件，展现出其在成本与质量平衡方面的优异扩展性。
LazyGraphRAG以迭代深化的方式将最佳优先与广度优先两种搜索动态结合起来，首先在有限的深度上进行搜索，之后再通过迭代深入数据集内部。微软公司表示，LazyGraphRAG的数据索引成本与向量RAG相同，而仅为完整GraphRAG成本的0.1%。在同等配置下，LazyGraphRAG表现出与GraphRAG全局搜索相当的答案质量，但全局查询的成本却降低至1/700以下。
总的来说，LazyGraphRAG代表了检索增强生成领域的突破性进步，微软称它是“适用于所有场景的低成本解决方案”。它的极快且几乎免费的索引功能，使其成为致病性查询、探索性分析以及流式数据用例的理想选择。同时，它还能够随着相关性测试预算的增加而平衡提高答案质量，这使其成为对其他RAG方法进行基准测试的重要工具。
原文和模型
【原文链接】 阅读原文 [ 1805字 | 8分钟 ]
【原文作者】 AI前线
【摘要模型】 moonshot-v1-32k
【摘要评分】 ★★★★☆
