GraphRAG com SurrealDB

Aprimorando Geração Aumentada com SurrealDB

by

Imagine um detetive investigando um caso complexo, com uma montanha de evidências. Declarações de testemunhas, relatórios forenses, filmagens de vigilância… A tarefa de analisar tudo, conectar os pontos e descobrir relações ocultas parece impossível. Os sistemas tradicionais de Retrieval-Augmented Generation (RAG) são como esse detetive, analisando diligentemente informações, mas frequentemente perdendo conexões cruciais que estão escondidas nos dados.

Agora, imagine esse mesmo detetive equipado com uma ferramenta poderosa: um gráfico de conhecimento que mapeia visualmente todas as entidades envolvidas no caso e suas intrincadas relações. De repente, o detetive consegue ver o panorama geral, identificar conexões chave e até inferir novas informações que antes estavam obscurecidas. Este é o poder do GraphRAG com SurrealDB. Ao combinar as forças do RAG tradicional com a riqueza semântica dos bancos de dados de grafos, desbloqueamos um novo nível de compreensão e insight.

Neste artigo, vamos explorar como o GraphRAG com SurrealDB aprimora a geração aumentada por recuperação, incorporando bancos de dados de grafos no SurrealDB juntamente com a pesquisa vetorial tradicional. Vamos detalhar a implementação prática, demonstrar benefícios tangíveis através de exemplos concretos e código, e comparar o impacto de diferentes LLMs, desde modelos de código aberto executados localmente, como o DeepSeek, até modelos hospedados massivos como o Gemini. Junte-se a nós nesta jornada enquanto desbloqueamos o verdadeiro potencial do RAG com o poder dos grafos.

Opções de LLM e Hospedagem

Escolher o LLM e a opção de hospedagem certos pode impactar significativamente o desempenho e as capacidades do seu sistema GraphRAG com SurrealDB. Aqui está uma comparação das três opções exploradas neste artigo:

Característica Gemini 1.5 Flash DeepSeek R1 (Local) DeepSeek R1 (TogetherAI)
Tamanho do Modelo ~32 bilhões de parâmetros 7 bilhões de parâmetros 671 bilhões de parâmetros
Janela de Contexto Massiva Grande Limitada pela API
Necessidade de Chunking Não Não Sim
Hospedagem Google Cloud Local TogetherAI Cloud
Velocidade Extremamente Rápida Moderada Moderada
Controle Menos Total Menos
Custo Pague conforme o uso Dependente da infraestrutura Pague conforme o uso
Benefícios Desempenho poderoso, lida com consultas complexas, grande janela de contexto Controle local, latência potencialmente menor, grande janela de contexto Acesso ao modelo completo, grande janela de contexto
Limitações Menos controle, custo pode variar Requer infraestrutura local, potencial manutenção Limites de token requerem chunking, menos controle, custo pode variar

Como você pode ver, cada opção oferece um conjunto único de vantagens e desvantagens. O Gemini, com seu tamanho massivo e desempenho poderoso, se destaca no tratamento de consultas complexas e documentos grandes diretamente. Sua API também permite o envio de anexos, reduzindo a necessidade de interações repetitivas.

DeepSeek R1 (Local) oferece maior controle e latência potencialmente menor devido à hospedagem local. Sua grande janela de contexto também elimina a necessidade de chunking. Enquanto isso, DeepSeek R1 (TogetherAI) fornece acesso ao modelo completo, mas necessita de chunking devido aos limites de token. Esta opção oferece um equilíbrio entre o poder do modelo e a acessibilidade.

A versão hospedada do DeepSeek R1 (hospedada pela DeepSeek) não foi testada devido a preocupações com a segurança cibernética e uma interrupção no registro de tokens de API no momento desta análise. Em última análise, a melhor escolha depende de suas necessidades e prioridades específicas. Considere fatores como a complexidade de suas consultas, o tamanho de seus documentos, seu orçamento e seu nível de controle desejado ao tomar sua decisão. Além disso, lembre-se que a infraestrutura em nuvem impulsiona o potencial da inteligência artificial, então considere essa opção também.

Por Que Grafos Importam

Os sistemas tradicionais de RAG dependem da pesquisa vetorial para encontrar trechos de texto relevantes com base na similaridade semântica. No entanto, essa abordagem pode perder conexões cruciais e informações contextuais não explicitamente presentes no texto recuperado.

Ao usar um gráfico de conhecimento, podemos representar explicitamente entidades e seus relacionamentos como nós e arestas. Isso permite uma compreensão mais matizada do contexto em torno da consulta de um usuário. Por exemplo, se a sua empresa está com problemas com a segurança cibernética, você pode usar essa ferramenta para entender melhor o cenário.

Além disso, se você pretende investir nesse mercado, um relatório recente da Mordor Intelligence revela que o tamanho do mercado de segurança cibernética foi estimado em US$ 177,47 bilhões em 2023. A previsão é que atinja US$ 424,97 bilhões até 2029, com uma taxa de crescimento anual composta (CAGR) de 15,67% durante o período de previsão (2023-2029). Esses dados demonstram a importância de se manter atualizado sobre os temas mais relevantes para sua empresa.

Estendendo a Pesquisa Semântica com Grafos

Veja como os bancos de dados de grafos melhoram os sistemas RAG:

  • Enriquecimento de Contexto: A pesquisa vetorial dentro de um banco de dados de grafos aproveita tanto o significado semântico do texto quanto as relações estruturais entre as entidades. Isso enriquece o contexto para o modelo de linguagem.
  • Consciência de Relacionamento: A travessia do grafo revela conexões entre conceitos que podem ser perdidas pela pesquisa vetorial sozinha. Por exemplo, se um usuário pergunta sobre “o trabalho de Sam Rivera”, um sistema baseado em grafo poderia identificar entidades relacionadas como “Base Dulce” ou “Esquadrão Militar Paranormal”.
  • Capacidades de Raciocínio: A estrutura do grafo permite o raciocínio baseado em relacionamentos, permitindo que o sistema infira novas informações.
  • Precisão Aprimorada: Combinar o significado semântico com informações de relacionamento leva a respostas mais precisas e contextualmente relevantes.
  • Dinâmico e Flexível: A estrutura do grafo se adapta às mudanças de dados, garantindo robustez e permitindo a adição de novo conhecimento.

Adicionar capacidades de grafo à pesquisa vetorial permite que um sistema RAG vá além da simples correspondência de palavras-chave e raciocine sobre a consulta do usuário dentro de um contexto mais amplo.

Para aqueles que buscam inovar, a Nvidia revoluciona o treinamento de robôs com tecnologia ultra-realista e inteligência artificial. Além disso, a GM também utiliza inteligência artificial da Nvidia para robôs, carros autônomos e fábricas inteligentes. Essas inovações mostram como a tecnologia está transformando diversos setores.

O SurQL para Recuperar o Grafo

A função get_related_entities usa as capacidades de pesquisa vetorial do SurrealDB para encontrar entidades relacionadas com base em descrições de texto.


DEFINE FUNCTION OVERWRITE fn::get_related_entities($text: string) {

    LET $emb = fn::sentence_to_vector($text);

    RETURN SELECT id, description, ->RELATED_TO.{out, strength, description}
        FROM PERSON
        WHERE embedding <|5,COSINE|> $emb;

};

Aqui está uma análise:

  • DEFINE FUNCTION OVERWRITE fn::get_related_entities($text: string) { ... };: Isso define uma função chamada fn::get_related_entities que aceita um argumento de string $text. A palavra-chave OVERWRITE garante que qualquer função existente com o mesmo nome seja substituída.
  • LET $emb = fn::sentence_to_vector($text);: Isso calcula a incorporação vetorial da string de entrada $text usando a função fn::sentence_to_vector function (uma função personalizada provavelmente usando um modelo pré-treinado como GloVe) e armazena o resultado na variável $emb.
  • RETURN SELECT id, description, ->RELATED_TO.{out, strength, description} ...: Isso especifica os dados a serem retornados, incluindo o id, a descrição e os registros relacionados (com campos out, strength e description) vinculados através da aresta RELATED_TO.
  • FROM PERSON: Isso indica que a consulta deve ser executada contra a tabela PERSON.
  • WHERE embedding <|5,COSINE|> $emb;: Isso filtra os registros na tabela PERSON com base na similaridade semântica de suas incorporações à entrada, usando uma pesquisa de k-nearest neighbors (KNN) com distância de cosseno para encontrar os 5 registros mais similares.

Em essência, esta função pega uma consulta de texto, converte-a em uma incorporação vetorial e encontra os 5 registros semanticamente mais similares na tabela PERSON, retornando seus detalhes e registros relacionados.

Aprimorando Seu RAG com Capacidades de Grafo

Os notebooks fornecem exemplos de código demonstrando como usar essas capacidades de grafo.

Recuperando Contexto do Grafo


get_the_graph_context_surql = "fn::get_related_entities('{0}')"

outcome = await db.query(
        get_the_graph_context_surql.format("Who is the main character?")
)

Este trecho chama a função fn::get_related_entities para obter contexto do grafo, executando-o com a pergunta “Quem é o personagem principal?” e transformando o resultado em uma estrutura de dados usada para fornecer contexto ao modelo de linguagem.

Gerando uma Resposta com um Grafo de Conhecimento

Essas funções criam uma mensagem para o LLM aumentando o prompt de entrada com dados do banco de dados. Dependendo do modelo, seguimos diferentes métodos para consultar o LLM.

Gemini:

  1. Envie o documento do corpus como um anexo
  2. Consulte o banco de dados para os dados do grafo relevantes
  3. Construa o prompt combinando o grafo e a pergunta
  4. Envie o prompt e a referência para a API para processamento

DeepSeek R1 (Local):

  1. Consulte o banco de dados para os dados do grafo relevantes
  2. Construa o prompt combinando o corpus, o grafo e a pergunta
  3. Envie o prompt e a referência para a API para processamento

DeepSeek R1 (TogetherAI):

  1. Consulte o banco de dados para os dados do grafo relevantes
  2. Consulte o banco de dados para os trechos relevantes do documento do corpus
  3. Construa o prompt combinando os trechos do corpus, o grafo e a pergunta
  4. Envie o prompt e a referência para a API para processamento

Em todos os casos, a função get_graph_RAG_response, enquanto generate_graph_RAG_messages gera o grafo de conhecimento semanticamente relevante usando fn::get_related_entities. Para a operação de chunking, aproveitamos a função fn::get_related_chunks, que é semelhante à função de entidades relacionadas, mas apenas retorna os trechos semanticamente similares sem a necessidade de um grafo.

O prompt RAG padrão faz referência ao material de origem e anexa o texto de entrada da seguinte forma:

Objetivo – Você é um pesquisador que está fornecendo respostas a uma pergunta para seu cliente com base em documentos fornecidos a você. Responda às perguntas da melhor maneira possível, dados os documentos.

<question> {question} </question>

Estendemos esse prompt para incluir o grafo de conhecimento para comparação:

Objetivo –

Você é um pesquisador que está fornecendo respostas a uma pergunta para seu cliente com base em documentos fornecidos a você.

Você também tem acesso a um grafo de conhecimento baseado nos documentos fornecidos.

Responda às perguntas da melhor maneira possível, dados os documentos e o grafo de conhecimento.

<knowledge graph> {knowledge_graph} </knowledge graph>

<question> {question} </question>

Para os prompts DeepSeek, também incorporamos uma seção para conter o documento ou trechos do documento em uma seção delimitada por .

Compreender como diferentes tipos de IA podem revolucionar o dia a dia da sua agência também pode ser crucial para a inovação em sua empresa.

Comparando Resultados

Enquanto tanto o RAG padrão quanto o GraphRAG com SurrealDB visam responder a perguntas com base em um texto fornecido, suas abordagens e resultados diferem significativamente. Vamos nos aprofundar nos exemplos específicos do notebook para destacar essas diferenças:

  1. Detalhe e Contexto Aprimorados:
    • Pergunta: “Quem é o personagem principal e o que o motiva?”
    • Observação: O GraphRAG com SurrealDB consistentemente fornece respostas mais detalhadas e contextualmente ricas. Por exemplo, em resposta a esta pergunta, o GraphRAG com SurrealDB não apenas identifica Alex Mercer como o personagem principal, mas também fornece uma compreensão mais matizada de suas motivações. Ele extrai detalhes como mentoria e sobrevivência do grafo de conhecimento, que não são explicitamente mencionados no texto, mas são cruciais para entender seu personagem. O RAG padrão, por outro lado, foca principalmente em motivações explicitamente declaradas no texto, resultando em uma análise menos abrangente.
  2. Inferência e Consciência de Relacionamento:
    • Pergunta: “Quais lugares e pessoas Alex Mercer considera mais queridos?”
    • Observação: O GraphRAG com SurrealDB demonstra uma capacidade superior de inferir relacionamentos e conexões que não são explicitamente declarados no texto. Neste caso, o RAG padrão luta para fornecer informações relevantes, pois o texto não menciona explicitamente apegos pessoais. No entanto, o GraphRAG com SurrealDB aproveita o grafo de conhecimento para inferir os relacionamentos próximos de Alex com Jordan Hayes e Sam Rivera com base na força de suas conexões, mostrando sua capacidade de entender relacionamentos implícitos.
  3. Geração de Tabela Consistente e Matizada:
    • Pergunta: “Crie uma tabela de lugares com os quais Alex se comunica…” e “Crie uma tabela de lugares que Alex visita…”
    • Observação: Tanto o RAG padrão quanto o GraphRAG com SurrealDB podem gerar tabelas em resposta a consultas complexas. No entanto, o GraphRAG com SurrealDB consistentemente incorpora dados específicos do grafo de conhecimento, como pontuações de força de vínculo e importância da localização, levando a tabelas mais matizadas e informativas. O RAG padrão, embora capaz de gerar tabelas, muitas vezes depende de avaliações subjetivas e pode perder detalhes cruciais presentes no grafo de conhecimento.
  4. Subjetividade vs. Respostas Fundamentadas:
    • Pergunta: “Com base nos relacionamentos mais fortes de Alex Mercer e nos lugares mais importantes para o enredo, escolha uma cena que seja a mais emocionalmente carregada…”
    • Observação: Quando confrontado com perguntas subjetivas, o GraphRAG com SurrealDB ainda consegue fornecer respostas fundamentadas, aproveitando o grafo de conhecimento. Ele identifica relacionamentos e locais-chave com base em sua força e relevância, levando a uma seleção de cena mais focada e relevante. O RAG padrão, embora capaz de interpretação criativa, pode não ser tão consistente na identificação dos aspectos mais relevantes devido à sua dependência exclusiva da análise textual.

Em resumo, esses exemplos ilustram como o GraphRAG com SurrealDB consistentemente supera o RAG padrão em termos de detalhe, contexto, inferência e compreensão matizada. Ao incorporar um grafo de conhecimento, o GraphRAG com SurrealDB vai além da simples correspondência de texto e investiga a intrincada teia de relacionamentos e significados, levando a respostas mais abrangentes e perspicazes.

Observações Específicas do Modelo: Uma História de Dois LLMs

Enquanto tanto o Gemini quanto o DeepSeek mostraram as vantagens do RAG aprimorado por grafo, suas saídas revelaram algumas diferenças intrigantes, destacando as diversas capacidades desses modelos de linguagem.

Qualidade da Resposta

O Gemini consistentemente gerou respostas mais abrangentes e matizadas, demonstrando uma compreensão mais profunda do contexto e dos relacionamentos dentro do grafo de conhecimento. Por exemplo, quando questionado sobre as motivações de Alex Mercer, o Gemini forneceu uma análise detalhada, incorporando informações tanto do texto quanto do grafo de conhecimento para pintar um quadro completo de seu personagem. As respostas do DeepSeek, embora precisas, eram às vezes excessivamente simplistas e careciam do mesmo nível de profundidade.

Exemplo:

  • Pergunta: “Quem é o personagem principal e o que o motiva?”
  • Gemini: (Fornece uma análise detalhada das motivações de Alex Mercer, incluindo dever, determinação, sede de conhecimento, mentoria e sobrevivência, reunindo evidências tanto do texto quanto do grafo de conhecimento.)
  • DeepSeek: (Fornece uma resposta mais básica, focando principalmente em dever, determinação e sede de conhecimento, com menos ênfase em mentoria e sobrevivência.)

Seguindo Instruções de Formatação

O Gemini consistentemente seguiu as instruções de formatação fornecidas, produzindo tabelas e listas markdown bem estruturadas conforme solicitado. O DeepSeek, por outro lado, lutou com este aspecto, às vezes falhando em gerar tabelas markdown adequadas ou desviando-se do formato especificado. Isso sugere que o Gemini tem uma melhor compreensão das convenções de formatação e pode produzir de forma mais confiável saídas que aderem a requisitos específicos.

Exemplo:

  • Pergunta: “Crie uma tabela de lugares que Alex visita…”
  • Gemini: (Gera uma tabela markdown bem formatada com todas as colunas e informações solicitadas.)
  • DeepSeek: (Tenta gerar uma tabela, mas luta com a formatação markdown, resultando em uma saída inconsistente e menos legível.)

Velocidade

O Gemini exibiu tempos de resposta significativamente mais rápidos em comparação tanto com o DeepSeek hospedado localmente quanto com o DeepSeek hospedado no TogetherAI. Isso destaca o impressionante poder de processamento e eficiência do Gemini, tornando-o uma escolha forte para aplicações onde a velocidade é crítica. Enquanto a hospedagem local do DeepSeek oferece vantagens potenciais em termos de controle e privacidade de dados, isso pode ter o custo de tempos de resposta mais lentos.

Seção “Pense” do DeepSeek

Um aspecto único das respostas do DeepSeek é a inclusão de uma seção “pense”, que fornece insights valiosos sobre o processo de raciocínio do modelo. Esta seção revela como o DeepSeek utiliza o grafo de conhecimento para aprimorar suas respostas, oferecendo uma melhor compreensão dos mecanismos em ação. Esta transparência é inestimável para desenvolvedores e pesquisadores que buscam analisar e melhorar os sistemas RAG.

Em resumo, tanto o Gemini quanto o DeepSeek demonstraram os benefícios do RAG aprimorado por grafo, mas suas saídas revelaram diferenças distintas em termos de qualidade de resposta, capacidades de formatação e velocidade. O poder e a eficiência do Gemini o tornam uma escolha forte para tarefas complexas e aplicações em larga escala, enquanto a hospedagem local do DeepSeek e a seção “pense” oferecem vantagens em termos de controle, transparência e potencial de personalização.

Analisando Perguntas de Amostra

O notebook inclui várias perguntas de amostra para destacar as diferenças nas respostas entre o RAG padrão e o RAG aprimorado por grafo.

  1. “Quem é o personagem principal e o que o motiva?”

—— RAG PADRÃO ————————-

  • Personagem Principal: O Agente Alex Mercer é, sem dúvida, o personagem principal, embora a narrativa seja focada no conjunto, dando atenção significativa às perspectivas e motivações de outros jogadores-chave.
  • Motivações:
    • Dever e Obediência: Mercer é um agente altamente treinado, profundamente comprometido em seguir protocolos e completar sua missão atribuída. Isso é demonstrado por sua conformidade inicial com as diretivas do Agente Cruz, embora isso seja gradualmente desafiado ao longo da história.
    • Descoberta e Compreensão: Apesar de sua obediência inerente, Mercer é impulsionado por um poderoso desejo de entender os mistérios da Base Dulce e a comunicação alienígena. Esta curiosidade intelectual entra em conflito com seu senso arraigado de dever, criando conflito interno que alimenta suas ações.
    • Proteção da Humanidade: A preocupação de Mercer com a segurança e o bem-estar da humanidade é um motivador significativo. Seu objetivo final é garantir que o primeiro contato com inteligência extraterrestre seja tratado de forma responsável e não leve a danos.
    • Trabalho em Equipe e Colaboração: À medida que a história avança, Mercer demonstra uma crescente confiança e confiança em seus membros de equipe. Seu estilo de liderança muda da estrita adesão ao protocolo para a resolução colaborativa de problemas, enfatizando a importância do insight humano combinado para navegar pelos desafios sem precedentes que enfrentam.

Enquanto outros personagens como a Dra. Jordan Hayes (impulsionada pela curiosidade científica) e o Agente Taylor Cruz (motivado por ambição e controle) também desempenham papéis fundamentais, o arco de personagem de Mercer, abrangendo da estrita conformidade a uma compreensão mais matizada da missão, o posiciona como a figura central através da qual a narrativa abrangente se desenrola.

—– GRAPH RAG ————————-

  • Personagem Principal: O Agente Alex Mercer é o personagem principal da história. Enquanto a narrativa apresenta outros agentes importantes, a perspectiva de Alex é central, e suas ações e conflitos internos impulsionam grande parte do enredo.
  • Motivações: Alex é motivado por vários fatores:
    • Dever e Responsabilidade: Como membro de alto escalão do Esquadrão Militar Paranormal, ele sente um forte senso de dever de completar sua missão e proteger a segurança nacional. Isso é evidente em sua conformidade com as ordens do Agente Cruz e sua preocupação com a segurança de sua equipe.
    • Determinação e Resolução: Alex possui determinação inabalável e exibe resiliência diante do desconhecido. Ele demonstra isso através de seu envolvimento consistente com a missão, mesmo quando incerto e diante de desafios.
    • Uma Sede de Conhecimento: Alex mostra curiosidade significativa e um desejo de compreensão além de seguir ordens. Isso é visto em suas conversas com a Dra. Hayes, onde ele reconhece uma sensação de estar sendo puxado para “o jogo de outra pessoa” e busca verdades mais profundas além da narrativa oficial. Ele é levado a descobrir e entender os mistérios da Base Dulce.
    • Mentoria: Alex atua como mentor de Sam Rivera, guiando e apoiando suas contribuições. Isso sugere um desejo de fomentar o crescimento e compartilhar sua experiência, indicando um senso de responsabilidade além de sua própria missão.
    • Sobrevivência: Enquanto o dever e o conhecimento o impulsionam, a sobrevivência e a proteção de sua equipe também são fortes fatores motivadores. Isso está implícito em suas ações ao longo da história, pois ele continuamente avalia os riscos e se esforça para o sucesso da equipe.

Análise: A resposta do GraphRAG com SurrealDB fornece uma resposta mais definitiva e inclui motivações adicionais como mentoria e sobrevivência, reunidas do grafo de conhecimento.

  1. “Quais lugares e pessoas Alex Mercer considera mais queridos? Formate sua resposta como uma lista markdown.”

—– RAG PADRÃO ————————-

Com base apenas no texto fornecido, não há menção explícita de lugares ou pessoas que Alex Mercer considera mais queridos. O texto se concentra em sua vida profissional e sua participação na Operação: Dulce. Enquanto ele mostra camaradagem e respeito por seus membros de equipe (Jordan Hayes, Taylor Cruz e Sam Rivera), não há indicação de que esses relacionamentos se estendam além do respeito profissional e dos objetivos compartilhados da missão. A narrativa não oferece detalhes sobre sua vida pessoal ou apegos fora de seu trabalho com o Esquadrão Militar Paranormal.

—– GRAPH RAG ————————-

Com base no texto fornecido e no grafo de conhecimento, aqui está o que podemos inferir sobre os lugares e pessoas que Alex Mercer considera mais queridos:

  • Lugares: O grafo de conhecimento indica fortemente a Base Dulce como um local significativo para Alex Mercer devido ao seu envolvimento na Operação: Dulce. Enquanto o texto não afirma explicitamente que ele a considera querida, sua importância para sua missão sugere uma forte conexão. Washington D.C. também é mencionada, representando sua cadeia de comando e fonte de ordens. Se ele considera Washington querida não está claro, pois a conexão é puramente profissional.
  • Pessoas: O grafo de conhecimento destaca fortes relacionamentos com Jordan Hayes e Sam Rivera, indicando um relacionamento de trabalho próximo e respeito mútuo. A força dessas conexões (9 e 7, respectivamente) sugere um nível de camaradagem e confiança que excede a mera obrigação profissional. Taylor Cruz também é mencionada, mas com uma classificação de força menor (8), indicando um relacionamento de trabalho com menos proximidade pessoal. Não há informações no texto fornecido para sugerir que ele considera algum desses indivíduos “mais queridos” em um sentido pessoal, emocional, mas sim que estas são pessoas com quem ele trabalha de perto, confia e respeita profissionalmente. O texto sugere que ele respeita muito o intelecto de Jordan.

Análise: O sistema RAG padrão falha em fornecer qualquer informação relevante, enquanto o sistema GraphRAG com SurrealDB infere a resposta com base no grafo de conhecimento.

  1. “Crie uma tabela de pessoas com quem Alex se comunica: Na primeira coluna, indique a pessoa. Na segunda coluna, liste a frequência com que ele tem cenas com elas. Na terceira coluna, liste os lugares onde eles tiveram cenas juntos, ordenados por Na quarta coluna, indique a força do vínculo entre as pessoas. Na quinta coluna, avalie o peso total das interações em toda a saída da resposta em um formato de tabela usando a linguagem markdown.”

—– RAG PADRÃO ————————-

Rede de Comunicação de Alex Mercer

Pessoa Frequência de Comunicação Lugares de Comunicação (Ordenados por Importância) Força do Vínculo Pontuação de Peso da Interação
Jordan Hayes Muito Alta 1. Centro de Comando da Base Dulce (várias cenas, colaborações críticas), 2. Corredores da Base Dulce (preocupações compartilhadas), 3. Elevador para Dulce (apreensão compartilhada), 4. Laboratório da Base Dulce (colaboração científica) Muito Forte 9
Taylor Cruz Alta 1. Centro de Comando da Base Dulce (conflitos e alianças desconfortáveis), 2. Sala de Reuniões (instruções iniciais, colaboração posterior), 3. Baia de Equipamentos (desacordo filosófico) Forte, mas tenso 7
Sam Rivera Alta 1. Centro de Comando da Base Dulce (trabalho colaborativo, emoção compartilhada), 2. Escritório de Sam (conselhos e incentivo), 3. Corredores da Base Dulce (missão compartilhada) Forte 7

Nota: A “Pontuação de Peso da Interação” é uma avaliação subjetiva baseada na duração e significado de suas interações ao longo do texto fornecido. Uma pontuação mais alta indica interações mais frequentes e/ou mais impactantes. A ordem dos lugares dentro da linha de cada pessoa reflete a aparente importância do cenário para seu relacionamento e a narrativa geral.

—– GRAPH RAG ————————-

Com base no texto fornecido e no grafo de conhecimento, aqui está uma tabela resumindo a comunicação e as interações de Alex Mercer, tendo em mente que o grafo de conhecimento fornecido carece de informações sobre a frequência das cenas e requer inferência da narrativa. As colunas “Força do Vínculo” e “Peso Total da Interação” são estimativas baseadas na narrativa e nas pontuações de força do grafo de conhecimento. A quantificação precisa não é possível sem dados mais estruturados.

Pessoa Frequência de Cenas Lugares de Interação (ordenados por importância) Força do Vínculo Peso Total da Interação (estimado)
Jordan Hayes Muito Alta Centro de Comando da Base Dulce, Sala do Mainframe, Centro de Comunicações, Sala de Reuniões Subterrânea 9 90
Sam Rivera Alta Centro de Comando da Base Dulce, Sala do Mainframe, Sala de Servidores, Sala de Reuniões Subterrânea 8 72
Taylor Cruz Alta Centro de Comando da Base Dulce, Sala do Mainframe, Sala de Reuniões Subterrânea, Sala de Reuniões 7 63

Notas:

  • Frequência: Esta coluna é uma aproximação baseada na ênfase da narrativa nas interações entre os personagens. “Muito Alta” indica interações frequentes e significativas ao longo da história. “Alta” sugere numerosas interações importantes.
  • Lugares: A ordem dos lugares reflete a ênfase da narrativa na importância de cada local dentro do contexto de suas interações. Por exemplo, o Centro de Comando da Base Dulce é listado primeiro porque muitas interações importantes ocorrem lá.
  • Força do Vínculo: Esta é uma avaliação subjetiva baseada na linguagem descritiva no texto e nas pontuações de força do grafo de conhecimento. Reflete o nível de confiança, cooperação e compreensão entre os personagens.
  • Peso Total da Interação: Esta é uma estimativa aproximada, multiplicando a “Frequência” (interpretada como um valor numérico: Muito Alta=10, Alta=8) pela “Força do Vínculo”. Ele tenta quantificar o significado geral das interações.

O grafo de conhecimento é limitado. Um grafo mais abrangente que inclua a frequência de cenas e detalhes de interação permitiria uma resposta mais precisa e detalhada.

Análise: Ambas as respostas fornecem tabelas, mas o sistema GraphRAG com SurrealDB incorpora dados específicos do grafo de conhecimento (como pontuações de força de vínculo) para uma resposta mais matizada.

Leave a Comment

Exit mobile version