我经常在Reddit上看到关于GraphRAG的帖子，但直到大约一个月前，我才决定尝试一下。在花了一些时间进行实验后，我可以说它的表现令人印象深刻，但如果你使用的是OpenAI API，成本也相当高。在文档中运行他们提供的示例书籍测试花费了我大约7美元，所以虽然它的性能和组织能力非常出色，但它并不算经济实惠。
如果你是RAG系统的新手，我建议先阅读一些入门文章：
1、Anthropic 的新 RAG 方法(https://pub.towardsai.net/anthropics-new-rag-approach-e0c24a68893b)
2、RAG 从头开始(https://pub.towardsai.net/rag-from-scratch-66c5eff02482)
无论如何，这里是传统RAG系统的工作原理概述：
对于已经熟悉RAG的人来说，你可能遇到过和我一样的头疼问题：
- 文本块之间的上下文容易丢失
- 随着文档集合的增长，性能急剧下降
- 集成外部知识就像蒙着眼睛解魔方一样困难（比喻意指操作复杂且缺乏清晰方向）
GraphRAG的工作原理
GraphRAG是传统RAG的增强版本，主要分为两个阶段：
索引阶段
- 从源文档开始，将其拆分为更小的子文档（与传统RAG类似）
- 执行两个并行的提取过程：
- 实体提取：识别出诸如人物、地点、公司等实体
- 关系提取：发现跨不同文本块的实体之间的联系
- 创建一个知识图谱，其中节点代表实体，边代表它们之间的关系
- 通过识别紧密相关的实体来建立社区
- 在不同的社区层级生成分层摘要（共三级）
- 使用归约-映射方法，通过逐步合并文本块生成整体摘要
查询阶段
- 接收用户的查询
- 根据所需的细节选择适当的社区层级
- 在社区层级（而不是传统RAG的文本块层级）上执行检索
- 检查社区摘要以生成局部响应
- 将多个相关社区的局部响应组合成最终的综合答案
GraphRAG的核心创新在于它将信息结构化为图形格式，并利用社区检测来生成更具上下文意识的响应。然而，传统RAG系统仍然有其用武之地，特别是在考虑运行GraphRAG的计算成本时。
设置GraphRAG
⚠️ 提醒：这个实验运行在GPT-4 API上，成本较高。我的一次测试成本约为7美元（基于GPT-4模型）。
如果你更喜欢在本地LLM上使用ollama进行测试，请查看这个视频：
接下来让我们一步步完成设置过程：
环境设置
首先，创建一个虚拟环境：
conda create -n GraphRAG
conda activate GraphRAG
安装GraphRAG包：
pip install graphrag
目录结构
GraphRAG需要特定的目录结构以实现最佳运行效果：
- 创建一个工作目录
- 在其中创建_ragtest/input_文件夹结构
- 将源文档放入input文件夹中
在本文中，我们将使用提供的书籍作为示例。通过以下命令下载到input文件夹中：
curl https://www.gutenberg.org/cache/epub/24022/pg24022.txt > ./ragtest/input/book.txt
配置
使用以下命令初始化工作区：
python -m graphrag.index --init --root ./target
此操作会创建必要的配置文件，包括settings.yml，你需要在其中：
- 设置你的OpenAI API密钥
- 配置模型设置（默认使用GPT-4进行处理和OpenAI嵌入）
- 根据需要调整文本块大小（默认：300个token）和重叠部分（默认：100个token）
构建知识图谱
运行索引过程：
python -m graphrag.index --init --root ./target
查询你的图谱
GraphRAG提供了两种主要的查询方式：
全局查询
python -m graphrag.query --root ./target --method global "what are the top themes in this story"
适用于关于主题和整体内容理解的广泛问题。
局部查询
python -m graphrag.query --root ./target --method local "what are the top themes in this story"
适用于关于文档内实体或关系的具体问题。
成本因素：值得吗？
让我们谈谈数字。在我用示例书籍进行测试时，GraphRAG调用了：
- ~570次GPT-4 API请求
- 大约25次嵌入请求
- 处理了超过100万个token
总成本：每本书大约7美元。
资源
https://www.microsoft.com/en-us/research/blog/graphrag-new-tool-for-complex-data-discovery-now-on-github/