通过

你当前正在访问 Microsoft Azure Global Edition 技术文档网站。 如果需要访问由世纪互联运营的 Microsoft Azure 中国技术文档网站，请访问 https://docs.azure.cn。

使用 Azure Cosmos DB 通过矢量搜索和知识图谱的检索增强生成 (RAG)

  • 项目
  • 适用于:
    ✅ NoSQL

CosmosAIGraph 是一种创新解决方案，它应用了 Azure Cosmos DB 的强大功能来创建 AI 驱动的知识图谱。 这项技术融合了先进的图数据库功能与人工智能，提供了一个强大的平台来管理和查询复杂的数据关系。 通过利用 Cosmos DB 在文档和矢量形式方面的可伸缩性和性能，Cosmos AI Graph 可以创建复杂的数据模型，使其能够回答各种数据问题，并发现半结构化数据中的隐藏关系和概念。

知识图可帮助回答的问题

  • 复杂关系查询：

    • 问：“在社交网络中，人员 A 和人员 B 之间的直接和间接连接是什么？”
    • 说明：Graph RAG 可以遍历关系图来查找两个节点之间的所有路径和关系，从而提供详细的连接映射，这对于矢量搜索来说很困难，因为它不具备实体之间的关系的权威/策划视图。

  • 分层数据查询：

    • 问：“从 CEO 到公司入门级员工的组织层次结构是什么？”
    • 说明：Graph RAG 可以有效地导航分层结构，识别层次结构中的父-子关系和级别，而矢量搜索更适合查找类似项，而不是理解分层关系。

  • 上下文路径查询：

    • 问：“供应链从原材料采购到最终产品交付所涉及的步骤是什么？”
    • 说明：Graph RAG 可以遵循供应链图中的特定路径和依赖项，从而提供分步细分。 矢量搜索虽然在查找相似项目方面表现出色，但缺乏跟踪和理解过程步骤顺序的能力。

提到检索增强生成 (RAG)，结合知识图谱和矢量搜索可以提供强大的功能，以扩展可回答数据的问题范围。 Graph RAG 通过使用图形中的结构化关系来增强检索过程，因此非常适合需要上下文理解和复杂查询的应用程序，例如知识管理系统和个性化内容交付。 另一方面，矢量搜索在处理非结构化数据和基于向量嵌入查找相似性方面表现出色，这对于图像和文档检索等任务非常有用。 这些技术一起可以提供一个全面的解决方案，该解决方案结合了结构化和非结构化数据处理的优势。

Cosmos AI Graph 基础结构、组件和流的示意图。

OmniRAG

CosmosAIGraph 的特点是 OmniRAG，一种通用的数据检索方法，它可以动态选择最合适的方法（无论是数据库查询、矢量匹配还是知识图谱遍历），从而有效、最准确地回答用户查询，因为它大概率会收集比任何单一源可以自行收集到的更多的上下文和更权威的上下文。 此动态选择的关键是用户意向 - 使用简单的言语分析和/或 AI 根据用户问题确定。 这确保每个查询都使用最佳技术进行处理，从而提高准确性和效率。 例如，有关分层关系的用户查询将利用图形遍历，而有关类似文档的查询将使用矢量搜索，所有这些查询都在 CosmosAIGraph 提供的统一框架中。 此外，在 RAG 进程中业务流程的帮助下，可以使用多个源为 AI 收集上下文，例如，可以先查询图谱，然后还可以针对每个找到的实体拉取实际的数据库记录。如果未找到任何结果，则矢量搜索很可能会返回接近匹配的结果。 这种整体方法最大化了每种检索方法的优势，提供了全面且符合上下文的答案。

使用的用户问题和策略示例

用户问题 策略
什么是 Python Flask 库 DB RAG
有哪些依赖关系 Graph Rag
什么是 Python Flask 库 数据库 RAG
有哪些依赖关系 Graph RAG
谁是作者 DB RAG
她写了哪些其他库 Graph RAG
显示其所有库及其依赖项的图表 Graph RAG

开始使用

CosmosAIGraph 应用 Azure Cosmos DB 来创建 AI 驱动的图形和知识图谱，为建议系统和欺诈检测等应用程序启用复杂的数据模型。 它将传统数据库、矢量数据库和图数据库功能与 AI 相结合，以高效管理和查询复杂的数据关系。 从这里开始！

相关内容

下一步

使用 Azure Cosmos DB 生存期免费层