GraphRAG索引消耗Token巨大，所以你可能会问？新增文件后，我之前的文件会不会重新索引一次啊？什么情况下会利用缓存呢？本文带你一探究竟。
GraphRAG默认使用文件缓存，配置如下。当然你也可以考虑使用Azure云端的缓存。
cache:
type:file#orblob
base_dir:"cache"
#connection_string:<azure_blob_storage_connection_string>
#container_name:<azure_blob_storage_container_name>
缓存放在cache目录下，并根据流程分为实体提取、总结描述、社区报告和文本嵌入四个部分，所以缓存基本涵盖了所有涉及LLM调用或者Embedding调用的部分。
缓存的文件名类似 chat-0a0edbed8a583fd6ef2647112f565bd9 create_community_report-chat-v2-0a8d6dcd76f6d92edb9388681da40d1d，tag和hash值组合而成。缓存的内容是什么呢？其实就LLM的请求输入和响应输出，或者是embedding API的调用回复。
{
"result":"(\"entity\"<|>\"Retrieval-AugmentedGeneration\"<|>\"technique\"<|>...<|COMPLETE|>",
"input":"-Goal-\nGivenatextdocument...",
"parameters":{
"model":"deepseek-chat",
"temperature":0,
"frequency_penalty":0,
"presence_penalty":0,
"top_p":0.99,
"max_tokens":4096,
"n":1
}
}
那么何时缓存会生效？修改哪些部分会影响缓存呢？让我们看GraphRAG中如下代码，它是为缓存文件生成文件名，也就是上文看到文件名。
defcreate_hash_key(operation:str,prompt:str,parameters:dict)->str:
"""Computecachekeyfrompromptandassociatedmodelandsettings.
Args:
prompt(str):Thepromptrunthroughthelanguagemodel.
llm_string(str):Thelanguagemodelversionandsettings.
Returns
-------
str:Thecachekey.
"""
llm_string=_llm_string(parameters)
returnf"{operation}-{_hash(prompt+llm_string)}"
从这份代码上，我们能够了解到，有两个影响hash值的生成
输入的Prompt，包含用户输入 LLM的参数
这是实际运行过程中打印的参数
tag:chat
llm_string:{'model':'llama3-70b-8192','temperature':0.0,'frequency_penalty':0.0,'presence_penalty':0.0,'top_p':0.99,'max_tokens':2000,'n':1}
[('frequency_penalty',0.0),('max_tokens',2000),('model','llama3-70b-8192'),('n',1),('presence_penalty',0.0),('temperature',0.0),('top_p',0.99)]
所以当你
换一个LLM，或者修改LLM的参数，都会导致重新索引
加入新的文件，只会索引该文件，已经索引的文件不会重新索引。
修改现有文件，可能导致整个文件重新索引，或者是部分，因为修改文件，如果只是部分chunk改变，那么只会是这部分chunk需要重新索引。
因此，如果你的单个文档较大，并且可能会经常修改，可以考虑将其拆分，以充分利用缓存，节省你的Money。