摘要
大型語言模型（Large Language Models，簡稱LLM）不斷推陳出新，朝往多模態（Large Multimodal Model，簡稱LMM）發展，如Open GPT-4o、Meta Llama 3.2等，市面上也出現不少基於LLM技術的AI工具和解決方案。由於LLM的運作方式是透過語意匹配檢索（Semantic Matching）去預測出現機率最高的下個字詞，並非真正理解語言背後的意涵，加上用於LLM訓練數據有時間範圍和領域之限制，並非即時更新，導致企業內部在使用LLM時，往往會因LLM缺乏產業或業務領域知識，出現幻覺亂回答的狀況。為了讓LLM更理解公司的業務場景和產業知識，以改善出現幻覺的問題，目前企業常見的作法有三種：提示工程、RAG向量檢索和微調模型。
內文標題/圖標題
一、前言
二、Graph RAG定義與核心技術
三、Graph RAG流程與運作方式
四、Graph RAG應用案例解析
五、結論
圖1 將產業知識整合到大型語言模型，以提升回答品質的三種常見作法
圖2 傳統RAG和Graph RAG之差異比較
圖3 知識圖譜建置流程與Graph RAG運作方式
圖4 SAP AI Agent結合Graph RAG之應用
圖5 微軟Agentic-GraphRAG技術框架