配方 22 动手实践 13 分钟 更新 2026年10月14日
用 TypeSafe Jev 做 GraphRAG（Towards Data Science）
外链 Towards Data Science 文章（Partha Sarkar，2026-09-27）：用 Jev 的 Noul、Choice、Score 承担 GraphRAG 中的高频微决策——实体消歧、模式映射、子图剪枝——大模型只负责综合生成。
这份指南指向哪里
Partha Sarkar 于 2026-09-27 在 Towards Data Science 发表了一篇架构实操文章。文章认为 GraphRAG 管道把过多的自回归大模型调用花在重复微决策上（实体是否重复、谓词是否合并、属性如何映射、子图是否相关）。TypeSafe Jev 被定位为承担这些有界步骤的 System One 决策模型。
文章把图工作映射到 Jev 原语：Noul 用于实体/关系是否同一以及子图相关性，Choice 用于本体/属性路由和风险标签，Score 用于边权与风险等级。随后按构建、维护和查询时剪枝给出 Python 形态示例。
公开文章中提到的架构说法包括亚 500 毫秒级并行微决策，以及在生成前大幅压缩上下文的子图剪枝。延迟和省令牌数字视为作者文中的示意，不是独立生产测量。
本页仅为非官方手册入口——SDK 名称、限制和价格请以官方现行文档为准。
建议带走的点
- 开放式 Cypher 编写和最终答案综合留给大模型；是/否、闭集和有序的图微决策交给 Jev。
- 会复用的 Jev 置信度和分数写回图节点/边，避免对相似查询反复提问。
- 在自动化实体合并或丢弃上下文之前，先用你自己的已标注样本校准 Noul 阈值（合并 vs 剪枝）。
原文
必须点开原文： GraphRAG with TypeSafe Jev: A System One Approach to Scalable Knowledge Graphs（Towards Data Science）