<aside> 💡

• Global/local search </aside>

论文

• 地址

  From Local to Global: A GraphRAG Approach to Query-Focused Summarization

• GitHub

  https://github.com/microsoft/graphrag

• website

  https://microsoft.github.io/graphrag/

• blog

  GraphRAG: Unlocking LLM discovery on narrative private data

Method[1]

GraphRAG（by Microsoft，https://github.com/microsoft/graphrag）的思想是，利用LLMs构建基于实体的知识图谱，增强查询重点摘要（QFS）任务。该系统通过预生成相关实体群体的**社区摘要**，捕获文档集合内的**局部和全局**关系；

全局搜索（Global search）处理跨越整个数据集的查询。这种场景综合了来自不同底层来源的信息，以回答需要对整个语料库有广泛理解的查询。例如，在一个关于科技公司研究努力的的数据集中，一个**全局查询可能是：“过去五年中，在多个组织中出现了哪些AI研究趋势？”**虽然连接分散信息很有效，但全局搜索可能是资源密集型的。

局部搜索（Local search）针对目标查询进行了优化，从与用户输入紧密匹配的文件的一个小子集中提取信息。当答案位于少数文本单元中时，这种模式效果最好。例如，一个查询询问：“微软的Cosmos DB团队在10月4日发布的新功能和集成有哪些？”

History