前言         这周也是杂七杂八的一天（高情商：我是一块砖，哪里需要往哪里搬），首先是接触了jemter这个压力测试工具，然后帮公司的AIGC项目编写使用手册和问答手册的第一版，并通过这个平台的智能体实现知识库问答的功能展示，以及部分个人扩展和思考（NEO4J创建知识图谱的GraphRAG）。 Jmeter         Jmeter是一个压力测试工具，一开始导师叫我熟悉的时候我还说

前言 微软开源的GraphRAG是真的不好用，起码现在是，太多吐槽点了 如果你没有安装好GraphRAG，请看我的这篇文章： GraphRAG：LLM之本地部署GraphRAG（GLM-4+Xinference的embedding模型）（附带ollma部署方式 然后你需要安装docker： Docker之基于Ubuntu安装 Neo4j 还是不说简介，有空再补 Neo4j Dcoc

GraphRAG 文本分割优化 开始调整对微软的 GraphRAG 进行优化，这次优化有以下几点， ‘�’ 乱码问题句子在中间被截断的问题 # Copyright (c) 2024 Microsoft Corporation.# Licensed under the MIT License"""A module containing run and split_text_on

欢迎一起讨论 论文地址综述介绍部分核心翻译翻译解释重要的信息元素和实体的关系（包含和被包含，而非相等）Graph Index（图索引）Community Detection（社区检测）Query-Focused Summarization（查询聚焦的摘要）Global Answer（全局答案） Graph RAG 方法与流程核心翻译以及解释Source Documents → Text C

1.概述 GraphRAG的本质是调用LLM生成知识图谱，然后在回答问题时检索相关内容输到prompt里，作为补充知识来辅助回答。那么有没有可能将这运用到层级多标签文本分类（HMTC)任务中呢？ 当然，乍一听有一点天方夜谭，因为GraphRAG的提出是为了解决QFS这样的全局问题，这和HMTC任务理应毫无关系。 不过我们先思考解决实际的HMTC问题，并且不使用传统算法，而是使用LLM进行分类

论文精读：From Local to Global: A Graph RAG Approach to Query-Focused Summarization 1. 研究背景与问题 在大语言模型（LLMs）的应用中，检索增强生成（RAG）方法通常用于从外部知识源检索相关信息，从而回答用户的问题。然而，RAG方法在处理涉及整个文本语料库的全局问题时效果不佳，比如“数据集中主要的主题是什么？”这些问

MedGraphRAG：医学版 GraphRAG 提出我的解法思路 MedGraphRAG 大纲解法大纲 解法拆解U-retrieve 双向检索 分析性关联图创意视角MedGraphRAG 对比 传统知识图谱+大模型现在医疗知识图谱的问题MedGraphRAG的三层层级图结构，能不能让普通的医疗知识图谱，实现因果关系、机制解释？因果版 MedGraphRAG 对比 MedGraphRAG 和