ueryParam=QueryParam()):LightRAG 类:
负责框架的初始化和管理，包括存储、日志、LLM（大语言模型）等配置。
提供query和aquery方法，支持不同的查询模式（本地、全局、混合、简单）。
存储类:
JsonKVStorage: 用于存储键值对数据。
NanoVectorDBStorage: 用于存储向量数据，支持高效的相似性查询。
NetworkXStorage: 用于图形数据存储，支持图形操作。
查询参数:
QueryParam: 定义查询的参数，包括查询模式、返回类型、最大令牌数等。
关键词提取:
使用 LLM 提取查询中的关键词，以便后续构建上下文。
上下文构建:
buildlocal_query_context和buildglobal_query_context函数分别用于构建本地和全局查询上下文。
combine_contexts函数用于合并不同层次的上下文。
信息提取:
extract_entities函数从文本块中提取实体和关系，并将其存储到知识图谱和向量数据库中。
查询执行:
local_query和global_query函数分别处理本地和全局查询，返回相应的结果。
接收查询:
用户通过query方法提交查询请求，框架根据查询参数选择相应的查询模式。
关键词提取:
在查询过程中，首先提取查询中的关键词，以便后续构建上下文。
上下文构建:
根据提取的关键词，调用buildlocal_query_context或buildglobal_query_context函数构建上下文。
生成响应:
使用构建的上下文和 LLM 生成最终的响应。
存储和更新:
在信息提取过程中，提取的实体和关系会被存储到相应的数据库中，以便后续查询使用。
asyncdefaquery(self,query:str,param
Copy
-参数:
query: 用户输入的查询字符串。
param: 查询参数，默认为QueryParam()的实例，包含查询的配置（如模式、返回类型等）。
查询模式选择:
local: 调用本地查询函数local_query。
global: 调用全局查询函数global_query。
hybrid: 调用混合查询函数hybrid_query。
naive: 调用简单查询函数naive_query。
如果param.mode的值不在上述选项中，抛出ValueError。
根据param.mode的值，选择不同的查询方式：
调用查询函数:
每种查询模式都会调用相应的查询函数，并传入必要的参数，如知识图谱实例、实体向量数据库、关系向量数据库、文本块数据库、查询参数等。
完成查询后处理:
调用querydone方法，执行查询完成后的操作（如更新缓存等）。
以下是与aquery方法相关的代码片段：
1.查询模式的实现:
local_query、global_query、hybrid_query和naive_query函数分别实现了不同的查询逻辑。
查询参数类:
QueryParam类定义了查询的参数，包括模式、返回类型、最大令牌数等。
3.查询完成处理:
awaitself._query_done()
Copy
querydone方法用于处理查询完成后的操作，可能涉及更新缓存或其他后续处理。
hybrid_query方法是LightRAG框架中的一个异步函数，旨在结合本地和全局上下文来处理用户的查询。它通过提取关键词并构建相应的上下文，最终生成一个响应。以下是对该方法的详细解析：
async def hybrid_query(query,knowledge_graph_inst: BaseGraphStorage,entities_vdb: BaseVectorStorage,relationships_vdb: BaseVectorStorage,text_chunks_db: BaseKVStorage[TextChunkSchema],query_param: QueryParam,global_config: dict,) -> str:
Copy
参数:
query: 用户输入的查询字符串。
knowledge_graph_inst: 知识图谱的实例，提供图形存储和查询功能。
entities_vdb: 存储实体的向量数据库实例。
relationships_vdb: 存储关系的向量数据库实例。
text_chunks_db: 存储文本块的键值存储实例。
query_param: 查询参数，包含查询的配置（如模式、返回类型等）。
global_config: 全局配置字典，包含模型函数和其他设置。
初始化上下文:
low_level_context和high_level_context初始化为None，用于存储后续构建的上下文。
从global_config中获取用于调用 LLM 的函数use_model_func。
关键词提取:
使用预定义的提示模板 PROMPTS["keywords_extraction"] 生成关键词提取的提示。
调用 LLM 函数use_model_func，传入关键词提取的提示，获取结果。
解析关键词:
尝试将 LLM 返回的结果解析为 JSON 格式，提取高层关键词（high_level_keywords）和低层关键词（low_level_keywords）。
如果解析失败，进行错误处理，尝试从结果中提取关键词。
构建上下文:
如果存在低层关键词（ll_keywords），调用buildlocal_query_context函数构建本地查询上下文。
如果存在高层关键词（hl_keywords），调用buildglobal_query_context函数构建全局查询上下文。
合并上下文:
使用combine_contexts函数将高层和低层上下文合并为一个完整的上下文。
返回上下文或生成响应:
如果query_param.only_need_context为True，则直接返回合并后的上下文。
如果上下文为None，返回失败提示。
否则，使用合并后的上下文生成系统提示，并调用 LLM 函数生成最终响应。
处理响应:
如果生成的响应长度大于系统提示的长度，进行清理，去除多余的部分（如系统提示、用户输入等）。
query：自建组合的分红方式
通过提示词：
---Role---You are a helpful assistant tasked with identifying both high-level and low-level keywords in the user's query.---Goal---Given the query, list both high-level and low-level keywords. High-level keywords focus on overarching concepts or themes, while low-level keywords focus on specific entities, details, or concrete terms.---Instructions---- Output the keywords in JSON format.- The JSON should have two keys:- "high_level_keywords" for overarching concepts or themes.- "low_level_keywords" for specific entities or details.######################-Examples-######################Example 1:Query: "How does international trade influence global economic stability?"################Output:{"high_level_keywords": ["International trade", "Global economic stability", "Economic impact"],"low_level_keywords": ["Trade agreements", "Tariffs", "Currency exchange", "Imports", "Exports"]}#############################Example 2:Query: "What are the environmental consequences of deforestation on biodiversity?"################Output:{"high_level_keywords": ["Environmental consequences", "Deforestation", "Biodiversity loss"],"low_level_keywords": ["Species extinction", "Habitat destruction", "Carbon emissions", "Rainforest", "Ecosystem"]}#############################Example 3:Query: "What is the role of education in reducing poverty?"################Output:{"high_level_keywords": ["Education", "Poverty reduction", "Socioeconomic development"],"low_level_keywords": ["School access", "Literacy rates", "Job training", "Income inequality"]}#############################-Real Data-######################Query: 自建组合的分红方式######################Output:
Copy
从模型获取到如下数据：
{
"high_level_keywords": ["自建组合", "分红方式"],
"low_level_keywords": ["投资策略", "收益分配", "股票组合", "财务管理"]
}Copy
分别用关键词调用_build_local_query_context 和 _build_global_query_context 方法获取检索内容。
async def _build_local_query_context(query,knowledge_graph_inst: BaseGraphStorage,# 这是一个知识图谱的实例，提供对图形数据的存储和查询功能。entities_vdb: BaseVectorStorage,# 这是一个存储实体的向量数据库实例，用于根据查询获取相关的实体。text_chunks_db: BaseKVStorage[TextChunkSchema],# 这是一个存储文本块的键值存储实例，用于查找与实体相关的文本单元。query_param: QueryParam,):results = await entities_vdb.query(query, top_k=query_param.top_k)# 这是从 entities_vdb 中查询得到的结果，包含与输入查询相关的实体信息。使用 top_k 参数限制返回的实体数量。node_datas = await asyncio.gather(# 包含从知识图谱中获取的节点数据。通过 asyncio.gather 并行获取每个实体的详细信息。*[knowledge_graph_inst.get_node(r["entity_name"]) for r in results])node_degrees = await asyncio.gather(# 包含每个实体的度（即与该实体相连的边的数量）*[knowledge_graph_inst.node_degree(r["entity_name"]) for r in results])node_datas = [# 包含每个节点的详细信息、实体名称和排名。通过 zip 函数将 results、node_datas 和 node_degrees 组合在一起。{**n, "entity_name": k["entity_name"], "rank": d}for k, n, d in zip(results, node_datas, node_degrees)if n is not None]use_text_units = await _find_most_related_text_unit_from_entities(# 获取的与实体相关的文本单元node_datas, query_param, text_chunks_db, knowledge_graph_inst)use_relations = await _find_most_related_edges_from_entities(# 获取的与实体相关的关系node_datas, query_param, knowledge_graph_inst)......
Copy
数据来源:buildlocal_query_context主要从实体向量数据库中查询相关的实体，而buildglobal_query_context则从关系向量数据库中查询相关的关系。
处理的对象:buildlocal_query_context处理的是节点（实体），而buildglobal_query_context处理的是边（关系）。
上下文构建:buildlocal_query_context主要构建与特定查询相关的上下文，而buildglobal_query_context则构建与关键词相关的全局上下文。
返回结果: 两者都返回格式化的字符串，但内容不同。前者返回的是与查询相关的实体和文本单元，后者返回的是与关键词相关的关系和实体。
前者专注于具体的查询，而后者则关注更广泛的关键词和相关的关系。
| 欢迎光临 链载Ai (https://www.lianzai.com/) | Powered by Discuz! X3.5 |