<?xml version="1.0" encoding="utf-8" standalone="yes"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom">
  <channel>
    <title>Knowledge Graph on Nalar</title>
    <link>https://nalar.dev/id/tags/knowledge-graph/</link>
    <description>Recent content in Knowledge Graph on Nalar</description>
    <generator>Hugo</generator>
    <language>id-id</language>
    <lastBuildDate>Tue, 08 Sep 2026 00:00:00 +0000</lastBuildDate>
    <atom:link href="https://nalar.dev/id/tags/knowledge-graph/index.xml" rel="self" type="application/rss+xml" />
    <item>
      <title>Ambil Evidence Multi-Hop dengan Graph RAG</title>
      <link>https://nalar.dev/id/ambil-evidence-multi-hop-dengan-graph-rag/</link>
      <pubDate>Tue, 08 Sep 2026 00:00:00 +0000</pubDate>
      <guid>https://nalar.dev/id/ambil-evidence-multi-hop-dengan-graph-rag/</guid>
      <description>&lt;p&gt;Retrieval-augmented generation (RAG) biasanya dimulai dari gagasan sederhana: cari chunk teks yang mirip dengan pertanyaan, masukkan chunk paling relevan ke context model, lalu minta model menjawab berdasarkan evidence tersebut. Pendekatan ini bekerja baik ketika jawaban terdapat dalam satu passage atau beberapa passage yang masing-masing mudah diambil.&lt;/p&gt;&#xA;&lt;p&gt;Sebagian pertanyaan lebih sulit karena evidence yang berguna terhubung oleh &lt;strong&gt;relasi&lt;/strong&gt;, bukan sekadar kemiripan kata. Developer mungkin perlu menjawab, &amp;ldquo;Service mana yang bergantung pada library yang dikelola tim pemilik Payments API?&amp;rdquo; Tidak ada satu chunk yang harus memuat semua kata itu. Jawabannya dapat memerlukan penelusuran beberapa hubungan antara service, library, tim, dan API.&lt;/p&gt;</description>
    </item>
  </channel>
</rss>
