RAG应用实践-基于知识图谱构建知识库

整体流程参考了GraphRAG，本文为JAVA实现

相关概念

RAG通用流程

GraphRAG

GraphRAG local search

主要流程

主要分为两步：索引、召回

步骤1：索引

对知识进行切块，每块都使用LLM从知识中抽取出来图的各要素如实体、关系、权重，存储到图数据库（Apache AGE）中，如图：

索引阶段

步骤2：召回

• 使用LLM从用户问题中抽取出实体、关系
• 根据抽取出来的实体及关系、从图数据库中查询出相关的图数据
• 将组合数据（图数据+文本块+用户问题）提交给LLM得到答案

召回阶段

PS：GraphRAG local search流程中没有涉及到图谱社区

代码实现

技术栈

1.1 开发框架：SpringBoot、langchain4j

1.2 数据库： Postgresql（需要安装Apage AGE插件以支持图数据）

1.3 大语言模型(LLM)：GPT

关键代码

索引

GraphStoreIngestor.builder()
                .documentSplitter(documentSplitter)
                .graphStore(apacheAgeGraphStore)
                .build()
                .ingest(document);

召回

GraphStoreContentRetriever contentRetriever = GraphStoreContentRetriever.builder()
                .graphStore(apacheAgeGraphStore)
                .chatLanguageModel(chatLanguageModel)
                .maxResults(maxResults)
                .filter(filter)
                .breakIfSearchMissed(breakIfSearchMissed)
                .build();
CustomerSupportAgent agent = AiServices.builder(CustomerSupportAgent.class)
                .chatLanguageModel(chatModel)
                .contentRetriever(contentRetriever)
                .chatMemory(chatMemory)
                .build();
agent.answer("用户的问题");

最终效果

上传知识库文件

生成图谱数据

图谱数据示例如下：

搜索效果

完整代码见：langchain4j-aideepin

基于向量的RAG可参考：RAG应用实践-基于大模型构建知识库

GraphRAG：https://github.com/microsoft/gr