ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;margin-right: 8px;margin-bottom: 1.5em;margin-left: 8px;color: rgb(63, 63, 63);">
ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 1.2em;font-weight: bold;display: table;margin: 4em auto 2em;padding-right: 0.2em;padding-left: 0.2em;background: rgb(15, 76, 129);color: rgb(255, 255, 255);">简介ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;margin: 1.5em 8px;letter-spacing: 0.1em;color: rgb(63, 63, 63);">现在的 RAG检索增强生成是一种使用真实世界信息改进LLM输出的技术。ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;margin: 1.5em 8px;letter-spacing: 0.1em;color: rgb(63, 63, 63);">大多数RAG方法使用向量相似性作为搜索技术，叫 Baseline RAG。ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;margin: 1.5em 8px;letter-spacing: 0.1em;color: rgb(63, 63, 63);">但是 RAG提取的每个文档是独立的，没有显式的结构化关系。ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;margin: 1.5em 8px;letter-spacing: 0.1em;color: rgb(63, 63, 63);">检索出的文档可能缺乏上下文连接，并且依赖于语言模型的推理能力还有检索出的文档。ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;margin: 1.5em 8px;letter-spacing: 0.1em;color: rgb(63, 63, 63);">GraphRAG是一种结构化的、分层的检索增强生成 (RAG) 方法，不同于使用纯文本片段的简单语义搜索方法。ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;margin: 1.5em 8px;letter-spacing: 0.1em;color: rgb(63, 63, 63);">GraphRAG流程包括从原始文本中提取知识图谱、构建社区层次结构、为这些社区生成摘要，然后在执行基于RAG的任务时利用这些结构。ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;margin: 1.5em 8px;letter-spacing: 0.1em;color: rgb(63, 63, 63);">微软在在这种情况下推出了GraphRAG，它通过将知识表示为图结构，捕捉更复杂的知识结构和关系，通过这种图结构，可以更容易地获取相关实体的上下文信息。ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;margin: 1.5em 8px;letter-spacing: 0.1em;color: rgb(63, 63, 63);">这样的图结构提供了更直观的知识表示，有助于理解模型的推理过程。也大幅提高了模型的推理问答性能。一、环境安装GraphRAG依赖的python版本在3.10-3.12之间，执行下列命令：
pipinstallgraphrag 下载一个语料数据集，https://www.gutenberg.org/cache/epub/24022/pg24022.txt。 根目录新建/ragtest/input空文件，然后把下载好的语料文件放入input下面。 二、graphRAG 使用第一步先完成GraphRAG初始化： python-mgraphrag.index--init--root./ragtest  执行成功，可以看到我们的ragtest目录下面是这样，  这里面的.env里面是GraphRAG管道所需的环境变量。 主要是GRAPHRAG_API_KEY=<API_KEY>这是OpenAI API或Azure OpenAI端点的API密钥。 用我们自己的API密钥。  settings.yaml包含流程的设置。你可以修改此文件以更改流程的设置。
 这里的llm如果是openai_chat，最好是设置成gpt-4o-mini，这一步为了减少我们的成本。现在初始化工作完全准备了，开始执行索引建立： python-mgraphrag.index--root./ragtest 下面是我们终端的输出，当然这一步时间要长一点，取决于你文档的大小，    可以看到正在提取我们文档里面的数据集还有段落。最后出现All workflows completed successfully.说明就成功了。然后打开我们的output下面的图谱文件。  图谱至此建立完毕，我们来做一个查询： python-mgraphrag.query\--root./ragtest\--methodglobal\"Whatarethetopthemesinthisstory?" 得到下面输出：  可以发现问题的答案非常贴近整部书籍。 GraphRAG在回答上述问题时显示出显著的改进，展示了比以前应用于私有数据集的方法更高的智能的掌握能力。
三、总结上面就是使用GraphRAG基本流程，完成的步骤主要就是提取+嵌入，跟之前的rag很类似，GraphRAG结合了知识图谱和RAG。 它的目的在于解决传统RAG的一些问题，提供更高质量的检索，同时它的出现也改变了企业私有数据分析的技术。 |
