前言
有空再写
微软开源的GraphRAG默认是使用openai的接口的（GPT的接口那是要money的），于是就研究了如何使用开源模型本地部署。
源码地址：https://github.com/microsoft/graphrag
操作文档：https://microsoft.github.io/graphrag/posts/get_started/
注：1、其实本次操作也可以不用下载源码，使用pip install graphrag 就能将graphrag下载下来变成包，建议大家先跑起来之后，再去看源码
2、要有足够的显存，给大家看看我的使用情况
一、启动GLM-4
由于GraphRAG默认是使用openai的接口的，而GLM-4使用VLLM提供了相应的接口，这里就不在对GLM-4以及VLLM进行介绍啦，感兴趣的小伙伴可以自己去搜索一下
GLM-4的github地址： https://github.com/THUDM/GLM-4
huggingface地址：https://huggingface.co/collections/THUDM/glm-4-665fcf188c414b03c2f7e3b7
百度网盘链接（glm-4-9b-chat）：
链接：https://pan.baidu.com/s/1dSMVbFg8GTfS901MZYOiMw?pwd=o2xt
提取码：o2xt
下载好之后如下：THUDM是模型存放的文件夹
然后我们执行
pip install uvicorn vllm fastapi
安装好相应的包之后，在GLM-4\basic_demo\openai_api_server.py文件中修改
MODEL_PATH为自己存放模型的所在路径（建议使用绝对路径）
代码默认的host是0.0.0.0，大家可以按需要自己修改想要的IP和端口号
运行如下：
二、启动Xinference
Xorbits Inference (Xinference) 是一个开源平台，用于简化各种 AI 模型的运行和集成。借助 Xinference，您可以使用任何开源 LLM、嵌入模型和多模态模型在云端或本地环境中运行推理，并创建强大的 AI 应用
官网：https://inference.readthedocs.io/zh-cn/latest/index.html
快速安装文档：https://github.com/xorbitsai/inference/blob/main/README_zh_CN.md
Transformers 引擎
pip install "xinference[transformers]"
vLLM 引擎
pip install "xinference[vllm]"
Llama.cpp 引擎
初始步骤：
pip install xinference
不同硬件的安装方式：
Apple M系列：
CMAKE_ARGS="-DLLAMA_METAL=on" pip install llama-cpp-python
英伟达显卡：
CMAKE_ARGS="-DLLAMA_CUBLAS=on" pip install llama-cpp-python
AMD 显卡：
CMAKE_ARGS="-DLLAMA_HIPBLAS=on" pip install llama-cpp-python
全部
pip install "xinference[all]"
由于我们前面使用vllm运行GLM-4，所以我们运行 pip install "xinference[vllm]"
后台启动服务
如果是服务器端，得到服务器的IP再改上去运行就可以了
xinference-local --host 0.0.0.0 --port 9997
例如我的就是 xinference-local --host 192.0.0.181 --port 9997
在浏览器上输入 http://192.0.0.181:9997/
在 EMBEDDING MODELS 中选一个，我这边选择的是bge-m3 大家也可以选择bge-base-en先尝试尝试，按需求选择
点击小火箭进行下载
下载完成之后会自动跳入Running Models中
三、启动GraphGAG
参考我上面发的GraphGAG操作文档
1、创建目录
mkdir -p ./ragtest/input2、下载文档
curl https://www.gutenberg.org/cache/epub/24022/pg24022.txt > ./ragtest/input/book.txt或者大家自己随便找个txt文件或者小说啥的，塞进去也行
3、初始化
python -m graphrag.index --init --root ./ragtest执行的是
在ragtest下会多出个目录prompts，里边存放着一些prompts
4、更改settings.yaml
更改内容如下：对llm、embeddings部分内容进行了修改：
改动了api_key, model, 增加了api_base，但type不需要变动。
encoding_model: cl100k_base
skip_workflows: []
llm:
api_key: glm-4
type: openai_chat # or azure_openai_chat
model: glm-4-9b-chat
model_supports_json: true # recommended if this is available for your model.
api_base: http://0.0.0.0:8081/v1
parallelization:
stagger: 0.3async_mode: threaded # or asyncio
embeddings:
async_mode: threaded # or asyncio
llm:
api_key: xinference
type: openai_embedding # or azure_openai_embedding
model: bge-m3
api_base: http://192.0.0.181:9997/v1
5、Running the Indexing pipeline
python -m graphrag.index --root ./ragtest这是最容易出错的地方了
1、
11:11:54,823 graphrag.llm.openai.utils ERROR error loading json, json=
Traceback (most recent call last):
File "/home/nlp/graphrag-main/graphrag/llm/openai/utils.py", line 93, in try_parse_json_object
result = json.loads(input)
File "/home/anaconda3/envs/nlp/lib/python3.10/json/__init__.py", line 346, in loads
return _default_decoder.decode(s)
File "/home/anaconda3/envs/nlp/lib/python3.10/json/decoder.py", line 337, in decode
obj, end = self.raw_decode(s, idx=_w(s, 0).end())
File "/home/anaconda3/envs/nlp/lib/python3.10/json/decoder.py", line 355, in raw_decode
raise JSONDecodeError("Expecting value", s, err.value) from None
json.decoder.JSONDecodeError: Expecting value: line 1 column 1 (char 0)
是因为在graphrag\llm\openai\openai_chat_llm.py 中try_parse_json_object(output)函数中接收的output对应的格式不对，不知道咋描述，大家可以自己瞅瞅
解决办法：
在graphrag-main\graphrag\llm\openai\utils.py中替换掉try_parse_json_object的定义，如下：
def try_parse_json_object(input: str) -> dict:"""Generate JSON-string output using best-attempt prompting & parsing techniques."""try:clean_json = clean_up_json(input)result = json.loads(clean_json)except json.JSONDecodeError:log.exception("error loading json, json=%s", input)raiseelse:if not isinstance(result, dict):raise TypeErrorreturn resultdef clean_up_json(json_str: str) -> str:"""Clean up json string."""json_str = (json_str.replace("\\n", "").replace("\n", "").replace("\r", "").replace('"[{', "[{").replace('}]"', "}]").replace("\\", "")# Refer: graphrag\llm\openai\_json.py,graphrag\index\utils\json.py.replace("{{", "{").replace("}}", "}").strip())# Remove JSON Markdown Frameif json_str.startswith("```json"):json_str = json_str[len("```json"):]if json_str.endswith("```"):json_str = json_str[: len(json_str) - len("```")]return json_str
2、如果输出的output是空的，不妨将max_tokens调小一点
如果出现🚀 All workflows completed successfully，恭喜你完成了安装
5、Running the Query Engine
使用Global search：
python -m graphrag.query \
--root ./ragtest \
--method global \
"What are the top themes in this story?"然后你就会得到这个故事的主题
使用 Local search
python -m graphrag.query \
--root ./ragtest \
--method local \
"Who is Scrooge, and what are his main relationships?"然后你就会得到Scrooge是谁以及他相应的关系介绍
如果在执行Local search，模型输出为空
解决办法：在settings.yaml找到local_search:调小你的max_tokens
如果在执行 Global search，出现报错，回复你：I am sorry but I am unable to answer this question given the provided data
raise JSONDecodeError("Expecting value", s, err.value) from None
json.decoder.JSONDecodeError: Expecting value: line 1 column 1 (char 0)
解决办法：在settings.yaml找到global_search，调小你的max_tokens与data_max_tokens:
给大家看看我的输出，我额外加了一段斗破苍穹的小说txt，并且魔改了一下，加进了自己的名字，嘿嘿
6、ollama部署
累了，看链接吧
颠覆传统RAG！GraphRAG结合本地大模型：Gemma 2+Nomic Embed齐上阵，轻松掌握GraphRAG+Chainlit+Ollama
GraphRAG本地运行（Ollama的LLM接口＋Xinference的embedding模型）无需gpt的api
欢迎大家点赞或收藏。
大家的点赞或收藏可以鼓励作者加快更新哟~
其他系列的文章也不错哟~
