图形 RAG 与 SQL RAG

我使用了图数据库和 SQL 数据库，然后使用各种大型语言模型 (LLM) 通过检索增强生成 (RAG) 方法来回答有关数据的问题。通过在两个系统中使用相同的数据集和问题，我评估了哪种数据库范式可以提供更准确和更有洞察力的结果。

检索增强生成 (RAG) 是一种 AI 框架，可让大型语言模型 (LLM) 在生成答案之前检索相关外部信息，从而增强大型语言模型 (LLM)。 RAG 不是仅仅依赖于模型的训练内容，而是动态查询知识源（在本文中为 SQL 或图形数据库）并将这些结果集成到其响应中。可以在此处找到 RAG 的介绍。

检索增强生成 (RAG) 检索 这里

SQL 数据库将数据组织到由行和列组成的表中。每行代表一条记录，每列代表一个属性。表之间的关系是使用键和连接定义的，所有数据都遵循固定的模式。 SQL 数据库非常适合一致性和精度非常重要的结构化事务数据，例如财务、库存或患者记录。

表格 键 加入 架构

图形数据库将数据存储为节点（实体）和边（关系），并附加到两者的可选属性。它们不连接表，而是直接表示关系，从而允许快速遍历连接的数据。图数据库非常适合对网络和关系进行建模，例如社交图、知识图或分子交互图，其中连接与实体本身一样重要。

节点 边缘 属性 网络和关系

数据

SQL 架构

该数据集已采用带键的表进行结构化，以便可以轻松设置 SQL 数据库。数据库的架构如下所示：

SQL 数据库设计

比赛 驱动程序 构造函数 车手排名 构造函数排名

图架构

图数据库的架构如下所示：

汽车 : 种族 4