核心概念

GraphRAG 的核心在于用大模型构建知识图谱+知识图谱聚类社区化+RAG
RAG就是输入（问题+知识）到大模型

1-大模型自动从海量数据中构建知识图谱（提取合并实体关系）
2-聚类算法从知识图谱中聚类社区并生成社区摘要
3-输入问题，相似度算法把问题匹配图谱信息（社区摘要/节点描述），问题+图谱信息入大模型，大模型回答结果

输入IO

输入：文本信息
输出：图数据——三元组列表（实体-关系-实体）

GraphRAG原理

构建知识图谱

图数据构建编码步骤整理

1-输入文本，提取每个文本块的实体和关系，并对各个实体关系加描述
2-使用大模型，合并整合实体和关系以及对实体/关系的通用描述
3-输出图数据-三元组列表（实体-关系-实体）
4-生成节点embedding->图embedding，存储起来，后续local检索需要用到

节点聚类编码步骤整理

1-分层莱顿算法对图数据聚类，划分多个社区
2-使用大模型对每个社区搞出社区报告
3-使用大模型对社区报告提炼社区摘要
3-社区摘要生成社区embedding，存储起来，后续global检索需要用到

查询知识图谱

全局搜索

总结全文、文章主题等全局问题

1-使用大模型，输入问题+所有社区摘要
2-输出答案

局部搜索

1-问题embedding
2-对问题embedding 进行 社区embedding+图embedding的相似度匹配，提取出和问题相似的社区摘要图谱信息
3-使用大模型，输入问题+社区摘要图谱信息
4-输出答案

GraphRAG使用实操

流程

本地大模型部署graphrag
第一步:启动大模型的openai服务，方法很多:vIlm启动，fastchat启动，Ilama-factory启动
第二步:启动embedding模型的openai服务，方法:fastchat，目前似乎只支持bge系列，最好使用fastchat==0.2.35
第三步:安装依赖，更改配置，开始
第四步:解决报错
第五步:ok

未完待续