知识图谱生成
llm-graph-builder（以下简称 LGB）也使用了最新的 graph + RAG 的思路，使用知识图谱来加持RAG，提供更加准确和丰富的知识问答。知识图谱的生成上，利用大模型的泛化能力来自动生成和构建知识图谱，包括实体、关系和属性等。其相较于微软开源的 GraphRAG（以下简称 MS-GRAG）有很多相似和同源之处，但也有很多的不同。
| 模块 | 能力 | llm-graph-builder | GraphRAG |
|---|---|---|---|
| 知识抽取 | 使用大模型抽取 | 支持 | 支持 |
| 支持适配多种大模型 | 支持 | 支持 | |
| 本体（schema）配置 | 部分支持（可选系统已配好的schema） 有一套比较完整的配置策略 | 支持 相对简单，只有简单枚举 | |
| prompt调整 | 不支持 | 不支持 | |
| promt形式 | zero-shot（效果一般，实体质量不高） | few-shot（效果更好） | |
| 知识分层 | 无 | 有分层社区，并提供社区级别的摘要 | |
| 知识存储 | 图数据库 | neo4j（查询较快） | 文件存储（效率低） |
| 知识召回 | 召回模式 | vector， graph + vector | graph + vector |
| 问答素材 | 基于召回的文本片段 | 基于召回的实体，或社区摘要 | |
| 问答效率 | 高 | 低 | |
| 交互 | 界面UI | 支持 | 不支持（命令行操作生成和问答） |
| 实体展示 | 支持 | 不支持 | |
| 文档级操作 | 支持文件级的生成、查看和召回 支持增量的生成 | 不支持 有文件更新时，需要重新构建知识图谱 |
知识抽取
LGB的prompt相较于微软MS-GRAG来说，简单许多。
微软的prompt无论是在结构上，还是组织形式上，都更加完善。而最终体现的效果也是相差较多。
知识存储
LGB 依托于 Neo4j 图数据库，包括文档管理，实体、关系管理等，都是基于Neo4j图数据来做的。在召回性能上，相较于 MS-GRAG 要快。
知识召回
在召回策略上，两个产品使用了不同的方案。
- LGB
利用图数据库提供的快速检索能力，支持了向量 + 图检索的召回模式，也支持单纯的向量召回（传统的RAG模式）。
无论是向量 + 图检索的模式，还是单纯向量模式，召回的内容都是文档片段（chunk）；使用图模式时，会将关联的实体数量，作为rerank的依据。
最终将召回的内容，加上prompt，调用大模型来总结答案。
- MS-GRAG
微软的做法是，将所有提取的实体，作为叶子节点，同时自动对这些实体进行聚类。相关的实体节点聚成一类，称之为社区（community）。而多个社区，还可以继续形成新的社区。每个社区都有自己的摘要和总结。
召回时，根据用户问题的embedding，在以下5个场景中检索素材，并最终将召回的素材和历史对话一起传给大模型，生成答案。
