近来NebulaGraph社区在LLM+Graph和GraphRAG领域进行了深入的探索和分享。在LlamaIndex和LangChain中，NebulaGraph引入了一系列知识图谱和图存储工具，支持编排、图谱与大模型间的交互。之前，NebulaGraph布道师古思为作为这项工作的主要贡献者已向大家详细介绍了如何构建图谱、Text2Cypher、GraphRAG、GraphIndex等方法，并展示了相关示例与效果。 最近，ArisGlobal公司的工程师WenqiGlantz对基于NebulaGraph和LlamaIndex的所有Graph+LLM、RAG方法进行了全面的实验、评估、综述、总...

NebulaGraph社区如何构建工具让Slack、WeChat中宝贵的群聊讨论同步到公共领域。 要开放，不要封闭 在开源社区中，开放的一个重要意义是社区内的沟通、讨论应该是透明、包容并且方便所有成员访问的。这意味着社区中的任何人都应该能够参与讨论和决策过程，并且所有相关信息应该公开和自由地与他人共享。 在公共场合进行沟通在开源理念中是重要的，正是这种方式使得社区的成员可以进行有效地共同工作，分享想法和反馈，为项目或社区做出贡献。 但是，社区在实践开放性沟通的过程中，或多或少都会遇到以下一些情况： 工具选择，本该是用来降低沟通成本的工具，却阻碍了部分社区成员在开源社区中的开放沟通。例如： ...

因为线上图数据库目前为单集群，数据量比较大，有以下缺点： 单点风险，一旦集群崩溃或者因为某些查询拖垮整个集群，就会导致所有图操作受影响 很多优化类但会影响读写的操作不好执行，比如：compact、balanceleader等； 双集群在升级的时候也非常有优势，完全可以做到不影响业务运行，比如先升级备集群再升级主集群。总之为了线上数据库更加稳定和高可用需要搭建双集群。 选择BR工具的原因 目前，我这边了解到复制集群方案有： 新集群重新写入数据，这种情况要么就是写程序scan再导入新集群（太慢了），要么就基于底表数据通过nebula-exchange再导入新集群（必须得有历史数据） （不可...

自LLM系列文章《知识图谱驱动的大语言模型LlamaIndex》、《Text2Cypher：大语言模型驱动的图查询生成》、《GraphRAG:知识图谱结合LLM的检索增强》陆续和大家见面，以及《夜谈LLM》主题直播同大家交流一番LLM和知识图谱、图数据库之后，在上周NebulaGraph的研发人员做客开源中国·高手问答活动，同开源中国的大家分享了目前NebulaGraph在LLM的思考和实践。 此时，距离ChatGPT面世已过去半年有余，一起来看看热度散去之后，这项LLM技术能给大家带来什么启发和实际效益。 LLM主题嘉宾 本次做客高手问答的两位NebulaGraph研发人员： 古思为：G...

本文由社区用户Albert贡献，首发于NebulaGraph论坛，旨在提供多一种的部署方式使用NebulaGraph。 在本文，我将会详细地记录下我用K8s部署分布式图数据库NebulaGraph的过程。下面是本次实践的内容规划： 一到十章节为K8s集群搭建过程； 十一到十五章节为参考NebulaGraph官方文档安装部署NebulaGraph的过程； 本文所有实践是在本地虚拟机3台CentOS实例上完成 一、集群环境准备 本文所有集群都遵循以下的部署，仅供参考。 首先，集群规划方面： 把xxx替换为对应的主机名 192.168.222.141node1 192.168.222.14...

大家好，我是东方财富的一名算法工程师，这里分享一些利用大模型赋能知识图谱建设的一些实践。 为什么知识图谱需要大模型 在金融场景中，天然会有大量结构化的数据需要投入大量的人力去生产和维护，而这样的数据又会大量被应用在下游的标签、推荐、风控等场景。比如基金关联的基金经理，基金净值，基金重仓股等信息，需要从各个基金公司的公告信息中进行提取。 做个类比，在1.0时代，我们会利用大量的规则和人力去提取和校验相应的数据，但这种方法往往需要针对特定的文本内容去维护各自的规则，成本较高。在2.0时代我们可以构建相应的深度学习模型，去辅助完成NER、实体链接等工作。在这个过程中，数据的清洗，标注和训练，往往需要...

LLM如火如荼地发展了大半年，各类大模型和相关框架也逐步成型，可被大家应用到业务实际中。在这个过程中，我们可能会遇到一类问题是：现有的哪些数据，如何更好地与LLM对接上。像是大家都在用的知识图谱，现在的图谱该如何借助大模型，发挥更大的价值呢？ 在本文，我便会和大家分享下如何利用知识图谱构建更好的In-contextLearning大语言模型应用。 此文最初以英文撰写的，而后我麻烦ChatGPT帮我翻译成了英文。下面是翻译的prompt： “Inthisthread,youareaChineseTechbloggertohelptranslatemybloginmarkdownfromEngl...

“本文由社区用户@阿七从第一视角讲述其团队重构图数据库的过程，首发于阿七公众号「浅谈架构」” 原文出处：https://mp.weixin.qq.com/s/WIJNq-nuuAGtMjYo5rPLyg 一、写在前面 读过我公众号文章的同学都知道，我做过很多次重构，可以说是“重构钉子户”，但是这次，重构图数据库OrientDB为NebulaGraph（https://www.nebula-graph.com.cn/），可以说是我做过最艰难的一次重构。 那这篇文章就来聊聊，图数据库重构之路。 二、难点在哪里 历史包袱重，原来使用OrientDB系统是2016年开始开发的，逻辑很复杂，历史...

nebula_dart_gdbc，是访问NebulaGraph的Dart语言客户端，在dart_gdbc的规范下进行开发。 dart_gdbc是一套使用Dart语言定义的图数据库标准数据接口，整体思路参考了JDBC的规范。目前已经实现了对NebulaGraph的支持。 在先前写GraphDesk的过程中，曾使用过nebula-java（Socket）+SpringBoot（HTTP）的方式实现了Flutter应用对NebulaGraph的访问。这无异于一辆可以高速行驶的汽车（Socket），进出家门的时候非要用人推（HTTP）的方式，这一点很难让人接受。而使用DartSocket访问...

大家好，我是来自BOSS直聘的赵俊南，主要负责安全方面的图存储相关工作。作为一个从v1.x用到v3.x版本的忠实用户，在见证NebulaGraph发展的同时，也和它一起成长。 BOSS直聘和NebulaGraph 关于NebulaGraph在BOSS直聘的应用场景，大家可以看看之前文洲老师的文章（图数据库NebulaGraph在BOSS直聘的应用），从那时候文洲老师构建的行为图发展到了安全场景的业务主图、算法推理图、职位相似度图谱等业务，现在更是支持了数仓同学的数据血缘及搜索同学的实时搜索召回场景，单图的规模达到了数千亿。 在图计算方面，BOSS直聘基于LPA和Louvain的单度团、多维团，...

话接上文《图技术在LLM下的应用：知识图谱驱动的大语言模型LlamaIndex》同大家简单介绍过LLM和图、知识图谱相关的结合，现在我来和大家分享下最新的成果。毕竟，从GPT-3开始展现出超出预期的“理解能力“开始，我一直在做Graph+LLM技术组合、互补的研究、探索和分享，截止到现在NebulaGraph已经在LlamaIndex与Langchain项目做出了不少领先的贡献。 是时候，来给你展示展示我的劳动成果了。本文的主题是我们认为这个LLM+领域最唾手可得、最容易摘取的果实，Text2Cypher：自然语言生成图查询。 Text2Cypher 顾名思义，Text2Cypher做的就是...