知识图谱和 GraphRag AWS 还有 Neo4j

结构化、非结构化和半结构化数据存在于各种系统中，包括亚马逊Redshift 、亚马逊简单存储服务（亚马逊S3）和适用于Apache Kafka的亚马逊托管流（亚马逊MSK）。可以通过集成层访问其他系统，例如AWS Glue。这些数据的某些子集是高度关联的。通过将其建模为图表，可以发现见解。

在 SageMaker A mazon AI 中运行的脚本从这些源系统中提取互联数据。

一旦进入SageMaker 人工智能，数据就会传递给由 LangChain管理的亚马逊基岩进程。大型语言模型 (LLM) 提取实体并将结果格式化为 Neo4j 查询语言 Cypher。SageMaker AI 将那个 Cypher 传递给 Neo4j 驱动程序。

包装提取的数据和实体的 Cypher 语句被输入到 Neo4j 图形数据库中，以创建知识图谱。图形数据库是运行在 Neo4j AuraDB 上的 Neo4j SaaS 的一个组件。 AWS

用户可以在专门为图表设计的商业智能工具 Neo4j Bloom 中浏览生成的知识图谱。

可以使用 Neo4j Graph Data Science 来进行扩展。实体解析算法可解析重复条目。社区检测算法可用于识别集群并为 GraphRag 生成本地群集摘要。图形嵌入算法有助于映射和识别 GraphRag 拓扑相似的实体。

创建知识图谱后，应用程序就可以在 GraphRag 架构中使用该图谱，以比其他方法更少的幻觉提供扎实的结果。这些应用程序可以在各种 AWS 平台上运行 AWS Lambda，包括亚马逊弹性计算云（亚马逊EC2）和亚马逊弹性Kubernetes服务（亚马逊EKS）。

客户端应用程序可以调用 SageMaker AI 中托管的函数。这些函数查询亚马逊 Bedrock。

亚马逊基岩的回应以Neo4j图形数据库为基础，并从更广泛的企业收集数据。使用图形作为接地提供了一种矢量 RAG 方法，还具有使用图形结构来改善响应的额外能力。