Des articles pour ceux qui
livrent le stack
Textes sur React, Node.js, TypeScript et AI. Un corps traduit est affiché quand il existe. Sinon vous voyez le texte anglais et une note qui le dit.
Tag : GraphRAG
Choisir une architecture RAG : naïve, avancée, CRAG, GraphRAG, agente.
Une comparaison pratique de six architectures RAG avec leurs avantages, inconvénients et cas d’usage, ainsi qu’un processus de décision en quatre étapes et les situations où RAG n’est pas l’outil adapté.
10 min de lectureNeo4j et LangChain4j : importateurs GraphRAG, filtrage et mémoire de chat
Neo4j avec LangChain4j pour GraphRAG : découverte de schéma, création de graphes avec des LLM, DSL Cypher, filtrage dans l’index, récupération de relations parent-enfant et mémoire de conversation basée sur des graphes.
18 min de lectureRAG ou graphe de connaissances ? 2 160 réponses notées et l’effet du modèle
RAG contre graphe de connaissances, mesuré : 2 160 réponses évaluées sur trois familles de modèles et 120 questions. Le gagnant varie selon le modèle, et le modèle est le facteur le plus important.
9 min de lectureNotes pratiques : Quelqu’un a lu mon article sur le ROE et a développé un moteur GraphRAG à partir de celui-ci
Guide pratique pas à pas : Quelqu’un a lu mon article sur le ROE et a développé un moteur GraphRAG ; présentation des contrats, vérifications ainsi que des emplacements de code prêts à l’emploi pour les équipes utilisant ce modèle.
7 min de lectureQuatre stratégies de mémoire pour les agents d’IA : fenêtres déroulantes, FAISS et GraphRAG
Comparez les différentes façons de fournir une mémoire à un agent LLM, allant de l’historique complet et des fenêtres déroulantes aux index inversés, à la recherche sémantique FAISS et au graphe de connaissances GraphRAG.
7 min de lectureUn pipeline GraphRAG entièrement local utilisant LangExtract, Neo4j, Qdrant et Ollama
Construisez GraphRAG à partir de modèles locaux : extrayez les entités avec LangExtract, stockez-les dans Neo4j, indexez-les dans Qdrant, puis développez des sous-graphes pour obtenir des réponses basées sur le graphe.
39 min de lectureSept modèles RAG au-delà du chatbot de base et les situations où chacun convient.
Un guide pratique pour les systèmes RAG naïfs, hybrides, correctifs, auto-réflexifs, multi-étapes, graphiques et contextuels : quel manque chacun comble, ses composants, et comment choisir.
7 min de lectureRapports des communautés de GraphRAG : Transformer un graphe de connaissances en réponses.
Comment GraphRAG crée un graphe à partir de texte, identifie des communautés à l’aide de la méthode hiérarchique de Leiden, rédige des rapports sur ces communautés et les utilise pour des recherches globales et locales.
6 min de lectureRecherche hybride pour RAG : combinaison de la recherche par mots-clés, vectorielle et graphique.
Comment combiner BM25, la recherche vectorielle et la récupération graphique dans RAG : fusion des classements avec RRF, où GraphRAG est utile, ainsi qu’une architecture de récupération, de fusion, d’expansion et de reclassement.
6 min de lecture
À propos de ces articles
Devis en 24 h
Besoin du même stack en couche opérateur ? Envoyez le brief — devis sous 24 h.