Томаж Братанич, Оскар Хане | Основы GraphRAG. Улучшенный RAG на базе графов знаний [2 книги] (2025, 2026) [PDF, EPUB, MOBI, AZW3] [RU, EN]

Что внутри:
эмбеддинги, поиск по векторному сходству, полнотекстовый и гибридный поиск;
преобразование естественного языка в запросы к базам данных Cypher;
пайплайн GraphRAG от Microsoft;
приложение Agentic RAG.
Для читателей со средним уровнем владения Python и некоторым опытом работы с графовыми базами данных, такими как Neo4j.
«Упорядочивает хаос RAG-систем, превращая их в четкие и практичные стратегии. Рекомендуется всем, кто собирается создавать интеллектуальные промышленные приложения на основе LLM».
- Илунь Чжан, Mozilla
«Дает и теорию, и практику, которые помогут вам начать свой путь в GraphRAG».
- Майкл Хангер, Neo4

Об авторах
Томаж Братанич
Автор книги Graph Algorithms for Data Science (Manning) и участник проектов LangChain и LlamaIndex, обладает большим опытом работы с графами, машинным обучением и генеративным ИИ.
Оскар Хане
Возглавляет команду разработчиков генеративного ИИ в Neo4j.

Краткое содержание

Предисловие
Введение
От.издательства
Глава 1. Повышение.точности.больших.языковых.моделей
Глава 2. Поиск.по.векторному.сходству.и.гибридный.поиск
Глава 3. Улучшенные.стратегии.поиска.по.векторному.сходству
Глава 4. Генерирование.запросов.на.Cypher.из.вопросов.на.естественном.языке
Глава 5. Агентная.система.RAG
Глава 6. Построение.графов.знаний.с.помощью.LLM
Глава 7. Реализация.GraphRAG.от.Microsoft
Глава 8. Оценка.RAG-приложений
Приложение. Среда.Neo4j
Дополнительные.ресурсы

В оригинале:
Essential GraphRAG: Knowledge Graph-Enhanced RAG by Tomaž Bratanic, Oskar Hane

Inside Essential GraphRAG you’ll learn:
• The benefits of using Knowledge Graphs in a RAG system
• How to implement a GraphRAG system from scratch
• The process of building a fully working production RAG system
• Constructing knowledge graphs using LLMs
• Evaluating performance of a RAG pipeline

Essential GraphRAG is a practical guide to empowering LLMs with RAG. You’ll learn to deliver vector similarity-based approaches to find relevant information, as well as work with semantic layers, deliver agentic RAG, and generate Cypher statements to retrieve data from a knowledge graph.

About the book
Essential GraphRAG shows you how to build and deploy a production-quality GraphRAG system. You’ll learn to extract structured knowledge from text and how to combine vector-based and graph-based retrieval methods. The book is rich in practical examples, from building a vector similarity search retrieval tool and an Agentic RAG application, to evaluating performance and accuracy, and more.

What's inside
• Embeddings, vector similarity search, and hybrid search
• Turning natural language into Cypher database queries
• Microsoft’s GraphRAG pipeline
• Agentic RAG

About the reader
For readers with intermediate Python skills and some experience with a graph database like Neo4j.

About the author
The author of Manning’s Graph Algorithms for Data Science and a contributor to LangChain and LlamaIndex, Tomaž Bratanic has extensive experience with graphs, machine learning, and generative AI. Oskar Hane leads the Generative AI engineering team at Neo4j.

Table of Contents
1 Improving LLM accuracy
2 Vector similarity search and hybrid search
3 Advanced vector retrieval strategies
4 Generating Cypher queries from natural language questions
5 Agentic RAG
6 Constructing knowledge graphs with LLMs
7 Microsoft’s GraphRAG implementation
8 RAG application evaluation
A The Neo4j environment