Простота эффективна: роли графов и больших языковых моделей в генерации с дополненным поиском на основе графов знаний

Этот пример работает, потому что он переносит сложную задачу с множеством ограничений в контролируемую среду, что является сутью подхода SubgraphRAG.

1. Устранение неоднозначности и устаревших данных: LLM не нужно "вспоминать" или искать актуальную информацию о погоде и ценах, которая может быть неточной или обобщенной. Мы предоставляем точные, релевантные данные для конкретной задачи.
2. Применение ограничений: Модель последовательно применяет фильтры к предоставленным данным. Сначала она отсеивает Пхукет из-за "сезона дождей". Затем из оставшихся (Бали, Нячанг) она отсеивает Бали из-за превышения бюджета ($180 > $150).
3. Надежный синтез: В итоге остается только один вариант — Нячанг, который удовлетворяет всем критериям (сухой сезон, бюджет, тип отдыха). Ответ получается не "придуманным", а логически выведенным из предоставленных фактов. Это делает рекомендацию надежной и проверяемой.
4. Объяснимость (Explainability): Требование пошагово объяснить выбор заставляет модель показать свою "цепочку рассуждений" (Chain-of-Thought) на основе фактов, что повышает доверие к результату и соответствует одному из преимуществ, заявленных в исследовании.

Исследование предлагает метод SubgraphRAG, который борется с галлюцинациями и устаревшими знаниями LLM. Вместо прямого ответа на сложный вопрос, система сначала извлекает из структурированной базы знаний (Knowledge Graph) набор релевантных, атомарных фактов в виде "триплетов" (субъект-отношение-объект), а затем передает этот список фактов LLM вместе с исходным вопросом, чтобы модель сгенерировала ответ, основываясь исключительно на них.

Ключевой результат: Предоставление LLM четкого списка релевантных фактов из базы знаний перед постановкой вопроса резко повышает точность ответов и снижает галлюцинации, позволяя даже менее мощным моделям давать качественные ответы.

Суть метода для практического применения можно сформулировать как принцип "Разделяй и властвуй: сначала факты, потом рассуждения".

Вместо того чтобы заставлять LLM одновременно выполнять две сложные задачи — вспоминать/искать точные факты и логически рассуждать на их основе — мы разделяем этот процесс. Пользователь берет на себя роль "извлекателя фактов" (retriever), а LLM оставляет роль "логического синтезатора" (reasoner).

Методика для пользователя выглядит так:

1. Этап 1: Ручное извлечение фактов. Столкнувшись со сложным вопросом, требующим нескольких фактов (например, "Какие актеры, снимавшиеся у режиссеров-лауреатов 'Оскара', сами получали 'Оскар' за эти роли?"), не спешите задавать его LLM. Сначала самостоятельно найдите нужные атомарные факты с помощью поисковика или другого надежного источника.

   • Факт 1: Режиссер X получил 'Оскар' за фильм Y.
   • Факт 2: В фильме Y снимался актер Z.
   • Факт 3: Актер Z получил 'Оскар' за роль в фильме Y.
   • ... и так далее.

2. Этап 2: Структурированный промпт. Сформулируйте промпт, состоящий из трех частей:

   • Контекст: Четко перечислите все найденные факты в виде простого списка.
   • Задача: Сформулируйте ваш исходный вопрос.
   • Инструкция: Дайте LLM прямое указание основывать свой ответ исключительно на предоставленных фактах и не использовать свои внутренние знания.

Этот подход превращает LLM из потенциально ненадежного всезнайки в сфокусированного и точного аналитика, работающего с проверенными данными.

• Прямая применимость: Пользователь может напрямую применить принцип работы SubgraphRAG, но не саму технологию. Это делается вручную:

  1. Пользователь сам выступает в роли "ретривера", находя нужные факты в Google/Wikipedia.
  2. Затем он структурирует эти факты в промпте, как показано в исследовании (список триплетов/утверждений).
  3. В конце промпта он добавляет свой вопрос с инструкцией использовать только предоставленный контекст. Этот ручной воркфлоу полностью воспроизводит логику метода.

• Концептуальная ценность: Огромна. Исследование дает пользователю несколько ключевых инсайтов:

  • LLM — это в первую очередь "движок для рассуждений", а не надежная "база данных".
  • Качество ответа напрямую зависит от качества и релевантности предоставленного контекста. "Мусор на входе — мусор на выходе".
  • Структурированная подача информации (списки, факты) работает лучше, чем сплошной неструктурированный текст.
  • Более мощные LLM (как GPT-4o) лучше справляются с анализом большого контекста и отсеиванием "шума", в то время как для более слабых моделей критически важно давать только самую релевантную информацию.

• Потенциал для адаптации: Метод легко адаптируется из высокотехнологичного пайплайна в простую и эффективную пользовательскую стратегию "Поиск-Затем-Синтез" (Search-then-Synthesize). Эту стратегию можно применять для любых задач, требующих высокой фактической точности: от подготовки отчетов и анализа данных до планирования путешествий и проверки сложных утверждений.

### Контекст (Извлеченные факты)

Вот список фактов о фильмах, режиссерах и наградах:
*   (Фильм: "Форрест Гамп", Режиссер: "Роберт Земекис")
*   (Роберт Земекис, Получил награду: "Оскар за лучшую режиссуру", За фильм: "Форрест Гамп")
*   (Том Хэнкс, Снимался в фильме: "Форрест Гамп")
*   (Том Хэнкс, Получил награду: "Оскар за лучшую мужскую роль", За фильм: "Форрест Гамп")
*   (Фильм: "Список Шиндлера", Режиссер: "Стивен Спилберг")
*   (Стивен Спилберг, Получил награду: "Оскар за лучшую режиссуру", За фильм: "Список Шиндлера")
*   (Лиам Нисон, Снимался в фильме: "Список Шиндлера")
*   (Лиам Нисон, Был номинирован на: "Оскар за лучшую мужскую роль", За фильм: "Список Шиндлера")
*   (Фильм: "Молчание ягнят", Режиссер: "Джонатан Демми")
*   (Джонатан Демми, Получил награду: "Оскар за лучшую режиссуру", За фильм: "Молчание ягнят")
*   (Энтони Хопкинс, Снимался в фильме: "Молчание ягнят")
*   (Энтони Хопкинс, Получил награду: "Оскар за лучшую мужскую роль", За фильм: "Молчание ягнят")

### Задача

Назови актеров, которые получили премию "Оскар" за лучшую мужскую роль, снимаясь в фильме, режиссер которого также получил "Оскар" за этот фильм.

### Инструкции

*   Основывай свой ответ **ИСКЛЮЧИТЕЛЬНО** на фактах, представленных в разделе "Контекст".
*   Не используй никакую другую информацию.
*   Для каждого найденного актера укажи фильм.
*   Ответ дай в виде списка.

Этот промпт эффективен благодаря нескольким механикам, описанным в исследовании:

1. Разделение задач: Мы не просим LLM вспоминать, кто и за что получал "Оскар". Вся необходимая информация уже предоставлена. Модель не тратит ресурсы на поиск и не рискует ошибиться в фактах.
2. Структурированный контекст: Факты представлены в виде простых, легко разбираемых "триплетов". Модели гораздо проще работать с такой структурой, чем с абзацем из Википедии. Она может эффективно "просканировать" список и найти нужные связи.
3. Снижение галлюцинаций: Прямая инструкция Основывай свой ответ ИСКЛЮЧИТЕЛЬНО на фактах заставляет модель работать в режиме "замкнутого мира". Она не будет додумывать, что Лиам Нисон все-таки получил "Оскар", потому что в предоставленных фактах этого нет.
4. Фокусировка на рассуждении: LLM может полностью сосредоточиться на логической задаче: найти пары (актер, фильм) и (режиссер, фильм), где у обоих есть награда "Оскар", и где фильм совпадает. Это чистое логическое сопоставление, с которым современные модели справляются отлично.

### Контекст (Собранные данные для планирования отпуска)

*   (Страна: "Таиланд", Курорт: "Пхукет", Погода в августе: "Сезон дождей, высокая влажность")
*   (Страна: "Индонезия", Курорт: "Бали", Погода в августе: "Сухой сезон, солнечно")
*   (Страна: "Вьетнам", Курорт: "Нячанг", Погода в августе: "Сухой сезон, жарко")
*   (Курорт: "Пхукет", Средняя цена отеля 4*: "$100/ночь")
*   (Курорт: "Бали", Средняя цена отеля 4*: "$180/ночь")
*   (Курорт: "Нячанг", Средняя цена отеля 4*: "$120/ночь")
*   (Курорт: "Пхукет", Активности: "Дайвинг, ночные клубы, экскурсии")
*   (Курорт: "Бали", Активности: "Серфинг, йога-ретриты, храмы")
*   (Курорт: "Нячанг", Активности: "Пляжный отдых, спа, морепродукты")

### Задача

Я планирую отпуск в августе. Мои критерии:
1.  Избежать сезона дождей.
2.  Бюджет на отель 4* — не более $150 за ночь.
3.  Меня интересует спокойный пляжный отдых и спа.

Проанализируй мои предпочтения и, основываясь **СТРОГО** на данных из контекста, порекомендуй мне один наиболее подходящий курорт. Объясни свой выбор.

### Инструкции

*   Используй только информацию из раздела "Контекст".
*   Пошагово объясни, как ты пришел к своему выводу, проверяя каждый курорт по моим критериям.