Hệ thống Retrieval-Augmented Generation (RAG) vẫn là kiến trúc phổ biến nhất để tích hợp dữ liệu doanh nghiệp vào các mô hình LLM, nhưng hạn chế lớn nhất của nó là việc tìm kiếm dựa trên vector đôi khi bỏ lỡ các mối liên hệ ngữ nghĩa sâu sắc. RAG-Enhancer, dự án mã nguồn mở mới nổi trên GitHub, giải quyết vấn đề này bằng cách kết hợp vector search với đồ thị tri thức (knowledge graph).
Thay vì chỉ tìm kiếm các đoạn văn bản tương tự nhất về mặt ngữ nghĩa, RAG-Enhancer xây dựng một đồ thị các thực thể và mối quan hệ từ dữ liệu đầu vào. Khi có truy vấn, hệ thống không chỉ lấy các chunk văn bản gần nhất mà còn lan tỏa (traverse) qua đồ thị để tìm ra các thông tin liên quan gián tiếp. Phương pháp này giúp mô hình LLM có được ngữ cảnh đầy đủ hơn, giảm thiểu hiện tượng 'hallucination' (bịa đặt) trong các câu trả lời.
Dự án được viết bằng Python và PyTorch, hỗ trợ các backend vector database phổ biến như Pinecone, Weaviate và Milvus. Trong các benchmark nội bộ, RAG-Enhancer đã cải thiện điểm số Faithfulness (độ trung thực) của câu trả lời lên 35% so với hệ thống RAG cơ bản. Dự án đặc biệt được cộng đồng kỹ sư AI tại các công ty tài chính và y tế quan tâm, nơi độ chính xác của thông tin là yếu tố sống còn. Codebase của dự án được mã hóa sạch sẽ, có tài liệu đầy đủ và hỗ trợ cộng đồng rất nhanh chóng thông qua Discord và GitHub Issues.