使用 Azure Cosmos DB 透過向量搜尋和知識圖表來進行擷取增強產生 (RAG)
適用於：
NoSQL
CosmosAIGraph 是一種創新解決方案，可套用 Azure Cosmos DB 的強大功能來建立 AI 驅動的知識圖表。 這項技術整合進階圖表資料庫功能與 AI，以提供強大的平台來管理和查詢複雜的資料關聯性。 藉由利用 Cosmos DB 在檔和向量形式的延展性和效能，Cosmos AI Graph 可讓您建立複雜的數據模型，以回答各種數據問題，並找出半結構化數據中的隱藏關聯性和概念。
知識圖表可協助回答哪些類型的問題？
複雜關聯性查詢：
- 問：「社交網路中人員 A 與人員 B 之間的直接和間接連線為何？」
- 說明：Graph RAG 可以周遊圖表來尋找兩個節點之間的所有路徑和關聯性，並提供詳細的聯機地圖，這很難供向量搜尋使用，因為它沒有實體之間關聯性的權威/策劃檢視。
階層式資料查詢：
- 問：「從這間公司的執行長到剛入職員工，組織階層是什麼？」
- 說明：Graph RAG 可有效率地瀏覽階層式結構、識別階層內的父子關聯性和層級，向量搜尋則更適合尋找類似的項目，而不是了解階層式關聯性。
關聯型路徑查詢：
- 問：「從原材料採購到最終產品交付，供應鏈涉及的步驟有哪些？」
- 說明：Graph RAG 可遵循供應鏈圖表內的特定路徑和相依性，並提供逐步明細。 向量搜尋雖然很擅長尋找類似的項目，但缺乏遵循並了解程序中步驟序列的功能。
在擷取增強產生 (RAG)方面，結合知識圖表和向量搜尋可提供強大的功能，以擴充可回答資料的問題範圍。 Graph RAG 藉由使用圖形內的結構化關聯性來增強擷取程序，因此，非常適合需要內容相關了解和複雜查詢的應用程式，例如，知識管理系統和個人化內容傳遞。 另一方面，向量搜尋擅長處理非結構化資料，並根據向量內嵌來尋找相似性，這對於影像和文件擷取等工作很有用。 結合使用這些技術可提供全面的解決方案，兼具結構化和非結構化資料處理的優點。
OmniRAG
CosmosAIGraph 功能 OmniRAG 是一種多用途的數據擷取方法，可動態選取最適合的方法，無論是資料庫查詢、向量比對或知識圖表周遊，都能有效地回應用戶查詢，而且精確度最高，因為它可能會收集比其中任何一個來源本身所能擁有的更多內容和更權威的 conext。 此動態選取專案的關鍵是使用者意圖 - 使用簡單的語句分析和/或 AI 從使用者問題決定。 這可確保使用最佳技術來解決每個查詢，以提高正確性和效率。 例如，階層式關聯性的相關使用者查詢會利用圖表周遊，而類似文件的相關查詢會採用向量搜尋，全都在 CosmosAIGraph 提供的統一架構內進行。 此外，在RAG程式中協調流程的協助下，可以使用多個來源來收集 AI 的內容，例如圖表可以先參考，然後針對每個找到實際資料庫記錄的實體，也可以提取實際資料庫記錄，如果找不到任何結果，向量 searh 可能會傳回非常相符的結果。 此整體方法可將每個擷取方法的優點最大化，提供全面且內容相關的答案。
使用的範例使用者問題和策略
| 使用者問題 | 策略 |
|---|---|
| 什麼是 Python Flask 程式庫 | 資料庫擷取增強產生 (RAG) |
| 其相依項有哪些 | 圖表擷取增強產生 (RAG) |
| 什麼是 Python Flask 程式庫 | 資料庫RAG |
| 其相依項有哪些 | 圖表擷取增強產生 (RAG) |
| 作者是誰 | 資料庫擷取增強產生 (RAG) |
| 寫入的其他程式庫 | 圖表擷取增強產生 (RAG) |
| 顯示所有程式庫及其相依項的圖表 | 圖表擷取增強產生 (RAG) |
開始使用
CosmosAIGraph 會套用 Azure Cosmos DB 來建立 AI 支援的圖形和知識圖表，為建議系統和詐騙偵測等應用程式啟用複雜的資料模型。 其會結合傳統資料庫、向量資料庫和圖形資料庫功能與 AI，以有效率地管理和查詢複雜的資料關聯性。 從這裡開始使用！