SmartDigest Tworzone przez AI, żeby nadążyć za AI
Zapisz się

Zapisz się do newslettera

Co tydzień najważniejsze newsy AI prosto na Twój e-mail. Wybierz tematy, które Cię interesują.

Premiera / Narzędzie

Kiedy naprawdę warto zbudować graf wiedzy zamiast zwykłego RAG-u?

GraphRAG od Microsoftu znów zbiera rozgłos i 35,1 tysiąca gwiazdek na GitHubie, ale to nie darmowe ulepszenie zwykłego RAG-u. Klasyczne wyszukiwanie po podobieństwie embeddingów świetnie trafia w punktowe pytania, za to gubi się przy pytaniach o całość, na które nie odpowiada żaden pojedynczy fragment. GraphRAG odwraca kolejność: najpierw model czyta wszystkie dokumenty i buduje graf powiązań, potem streszcza całe skupiska, tyle że płacisz za to z góry drogim indeksowaniem. Moim zdaniem sięgaj po graf tylko przy pytaniach o wzorce w całym zbiorze, bo Microsoft sam nazywa go kodem pokazowym.

Napisała AI, żeby oszczędzić Ci czytania setek źródeł.  ·  Jak to działa

Premiera / Narzędzie  ·  3 min  · 

Kiedy naprawdę warto zbudować graf wiedzy zamiast zwykłego RAG-u?
Ilustrację przygotowała AI.

Masz stertę prywatnych dokumentów: firmową wiki, kilka tysięcy zgłoszeń od klientów, umowy, raporty. Chcesz, żeby model językowy odpowiadał na pytania na ich podstawie, bo sam z siebie o twojej firmie nie wie nic. Standardowa odpowiedź na ten problem nazywa się RAG, czyli generowanie wspomagane wyszukiwaniem: zanim model odpowie, system dokleja mu do promptu najlepiej pasujące fragmenty twoich tekstów. GraphRAG od Microsoftu robi to inaczej i właśnie znów jest o nim głośno, bo zebrał 35,1 tysiąca gwiazdek na GitHubie. Od razu powiem, gdzie stoję: to nie jest darmowe ulepszenie zwykłego RAG-u, tylko narzędzie, które zwraca włożony w nie koszt jedynie przy jednym rodzaju pytań.

Gdzie zwykłe wyszukiwanie po podobieństwie się poddaje

Klasyczny RAG zamienia każdy fragment tekstu na ciąg liczb opisujący jego znaczenie, a potem do pytania dobiera te fragmenty, których liczby leżą najbliżej. Te ciągi liczb to embeddingi, na nich stoi całe podejście. Przy wąskich pytaniach sprawdza się to świetnie. Jeśli pytasz "co umowa mówi o wypowiedzeniu", odpowiedź siedzi w jednym akapicie i wyszukiwanie po podobieństwie trafia w niego bez pudła.

Czytaj dalej za darmo

Podaj e-mail, aby odblokować pełną treść i cały serwis. Zapiszemy Cię do newslettera.

Powiązane

Kiedy graf agenta opłaca się bardziej niż logika schowana w promptcie Poradnik / Praktyka

Kiedy graf agenta opłaca się bardziej niż logika schowana w promptcie

4 min

Nowy, 25-stronicowy przewodnik na arXiv, opublikowany 21 lipca przez zespół Daniela Pearsona, argumentuje, że przy długich procesach warto wyjąć logikę sterowania z prompta i narysować ją wprost jako graf w LangGraph, zamiast zdawać się na ukrytą pętlę ReAct. Autorzy nie robią laurki bibliotece: pokazują, kiedy się nie opłaca, i odsyłają do zwykłej pętli albo DSPy, gdy chodzi tylko o dobór promptów, a tezę ilustrują trzy przepisy z kodem, w tym analityka SQL z pętlą naprawczą. Najcenniejsza jest nie sama biblioteka, tylko mapa, kiedy ta struktura się zwraca, a kiedy jest już tylko kosztem.

 Karpathy proponuje wiki, którą pisze i utrzymuje model, nie ty Poradnik / Praktyka

Karpathy proponuje wiki, którą pisze i utrzymuje model, nie ty

5 min

Andrej Karpathy opisał w zwykłym giście na GitHubie wzorzec "LLM Wiki" jako alternatywę dla RAG: zamiast przeszukiwać surowe dokumenty przy każdym pytaniu, model buduje i sam utrzymuje trwały katalog połączonych plików markdown, kompilując wiedzę raz i tylko aktualizując strony oraz odnotowując sprzeczności. Kluczowy jest schemat w stylu CLAUDE.md, który mówi modelowi, co robić z nowym źródłem. Gist zebrał ponad pięć tysięcy gwiazdek nie dzięki nowej technologii, lecz dlatego, że nazwał coś, co wielu po cichu sklejało, i odpowiada na stare pytanie: kto zniesie nudę utrzymania wiki.

 Twoje prompty od dawna są grafem, tylko nikt tego nie nazwał Analiza / Opinia

Twoje prompty od dawna są grafem, tylko nikt tego nie nazwał

3 min

Praca opublikowana 30 lipca na arXiv wprowadza pojęcie inżynierii grafu promptów i porządkuje słownictwo, w którym graf oznacza raz rozumowanie modelu, raz rozmowę agentów, a raz artefakt do orkiestracji. Autor zamienia definicję w prosty czteropunktowy test: jawna struktura, oddzielenie schematu połączeń od treści promptów, wykonywalne znaczenie oraz traktowanie grafu jak kodu, który się wersjonuje i optymalizuje (tak robi DSPy). Miarę przykłada do sześciu systemów, w tym LangGraph, AutoGen i subagentów Claude Code, jednych wpuszcza, drugich nie. To gotowa lista kontrolna na własny układ LLM.