GraphRAG

GraphRAG 類別實作以圖形為基礎的檢索增強生成方法。它會從文件分塊建立知識圖譜，當中節點代表文件，邊則代表語意關係，既可直接進行相似度配對，亦可透過圖形遍歷找出相關內容。

基本用法

import { GraphRAG } from '@mastra/rag'

const graphRag = new GraphRAG({
  dimension: 1536,
  threshold: 0.7,
})

// Create the graph from chunks and embeddings
graphRag.createGraph(documentChunks, embeddings)

// Query the graph with embedding
const results = await graphRag.query({
  query: queryEmbedding,
  topK: 10,
  randomWalkSteps: 100,
  restartProb: 0.15,
})

建構函式參數

dimension?:

number

= 1536

嵌入向量的維度

threshold?:

number

= 0.7

在節點之間建立邊的相似度閾值（0 至 1）

方法

createGraph

從文件分塊及其嵌入建立知識圖譜。

createGraph(chunks: GraphChunk[], embeddings: GraphEmbedding[]): void

參數

chunks:

GraphChunk[]

包含文字及 metadata 的文件分塊陣列

embeddings:

GraphEmbedding[]

與分塊對應的嵌入陣列

query

執行結合向量相似度及圖形遍歷的圖形搜尋。

query({
  query,
  topK = 10,
  randomWalkSteps = 100,
  restartProb = 0.15
}: {
  query: number[];
  topK?: number;
  randomWalkSteps?: number;
  restartProb?: number;
}): RankedNode[]

參數

query:

number[]

查詢嵌入向量

topK?:

number

= 10

要傳回的結果數目

randomWalkSteps?:

number

= 100

隨機遊走的步數

restartProb?:

number

= 0.15

從查詢節點重新開始遊走的概率

傳回值

傳回 RankedNode 物件陣列，每個節點包含：

id:

string

節點的唯一識別碼

content:

string

文件分塊的文字內容

metadata:

Record<string, any>

與分塊相關的額外 metadata

score:

number

圖形遍歷得出的綜合相關度分數

進階範例

const graphRag = new GraphRAG({
  dimension: 1536,
  threshold: 0.8, // Stricter similarity threshold
})

// Create graph from chunks and embeddings
graphRag.createGraph(documentChunks, embeddings)

// Query with custom parameters
const results = await graphRag.query({
  query: queryEmbedding,
  topK: 5,
  randomWalkSteps: 200,
  restartProb: 0.2,
})

相關內容

• createGraphRAGTool