Оптимізація токенів
AWS випускає модульний інструментарій GraphRAG на базі Claude 4.5 Sonnet
9 липня 2026 р. 4 хв читання
Куратор Oleksandr Kuzmenko, AI Product EngineerОновлено 9 липня 2026 р.Джерела вказані в кожному матеріалі
За участі AI · перевірено редакторомЯк ми використовуємо AI
AWS представила архітектуру GraphRAG на основі Amazon Neptune Analytics та Claude 4.5 Sonnet для роботи зі складними мережами застарілих даних. Такий структурований пошук скорочує час збору інформації до 87%.
Вплив: Середній
Чому це важливо
Ви можете розгорнути таку саму модульну архітектуру Neptune-Bedrock для перетворення неструктурованих файлів на реляційні графи з детермінованою перевіркою джерел.
TL;DR
- 01AWS GraphRAG скорочує цикли досліджень на 87% та покращує швидкість пошуку на 85%.
- 02Працює на базі Amazon Neptune Analytics за ціною $0.48/год для 16 одиниць пам'яті.
- 03Модульний інструментарій Python розділяє лінкування сутностей, графові бази та генератори LLM.
Ключові факти
- Вартість 16 одиниць пам'яті Neptune
- $0.48 за годину
- Скорочення циклу досліджень
- 87% (за даними компанії)
- Прискорення пошуку даних
- 85% (за даними компанії)
Архітектурний шаблон та розрахунок витрат Промислова архітектура AWS GraphRAG розділяє генерацію LLM, обхід графової бази даних та лінкування сутностей. Система працює на Amazon Neptune Analytics із використанням 16 виділених одиниць пам'яті, що коштує $0.48 за годину. Середовище розробки базується на ноутбуках Amazon SageMaker Jupyter на інстансах t3.medium. ### Python-інструментарій для виконання Для обробки запитів природною мовою використовується спеціальний GraphRAG Python інструментарій. Робочий процес ініціалізує BedrockGenerator для текстових операцій та зв'язує його з графовим сховищем за допомогою конфігурації KnowledgeGraphLinker. Модуль EntityLinker відповідає за нечітке мапування вхідних рядків до вузлів графа. ### Точні цитування та контроль якості Завдяки прив'язці текстових сегментів, створених через Bedrock, до конкретних вузлів Neptune, архітектура забезпечує верифіковані посилання на першоджерела. Система фіксує траєкторію міркувань, візуалізуючи обхід графа. Це гарантує збереження знань всередині компанії у випадку зміни складу команди.
Спробуй за 2 хвилини
generator = BedrockGenerator(model_id='anthropic.claude-3-5-sonnet')
linker = KnowledgeGraphLinker(graph_store=neptune_analytics, generator=generator)python
✓ Коли використовувати
- Коли необхідно об'єднати неструктуровані файли з чіткими реляційними чи застарілими БД.
- Коли ваш додаток вимагає високих стандартів верифікації з чітким трасуванням результатів LLM.
✕ Коли НЕ варто
- Якщо ваші шаблони запитів не потребують багатокрокового аналізу зв'язків між сутностями, де достатньо звичайного векторного пошуку.
- Для проєктів із нульовим хмарним бюджетом, оскільки Neptune та Bedrock створюють постійне базове навантаження на оплату.
Що зробити сьогодні
- Розгорніть інстанс Amazon Neptune Analytics з 16 одиницями пам'яті для прототипування GraphRAG.
- Налаштуйте нечітке індексування через EntityLinker для мапування складних запитів користувачів до структурованих вузлів.
#Amazon Neptune Analytics#Amazon Bedrock#Claude 4.5 Sonnet#Amazon SageMaker#Amazon Comprehend Medical
Джерела