GraphRAG揭秘：构建层次化知识图谱的终极指南

关注

原创最新推荐文章于 2026-04-21 07:52:45 发布 2.1k 阅读 AI 写同款· GEO 优化 ›

GraphRAG：知识图谱+大模型 LangChain实现需要注意的是，生成的图谱质量很大程度上取决于您使用的模型。在 RAG 应用中，结合结构化的图数据和非结构化的文本向量搜索，可以让我们同时享受两者的优势，这也是本文将要探讨的内容。的引入，生成知识图谱的过程现在应该更加顺畅和易于访问，这使得任何想要通过知识图谱提供的深度和上下文来增强其基于 RAG 的应用的人更容易上手。接下来，我们将引入一个提示，它利用混合检索器提供的上下文来生成响应，从而完成 RAG 链的实现。正如我们一开始提到的，我们将结合非结构化和图检索器来创建最终的上下文，这将传递给 LLM。阅读详情

简介

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。

大多数 RAG 方法使用向量相似性作为搜索技术，叫 Baseline RAG 。

但是 RAG 提取的每个文档是独立的，没有显式的结构化关系。

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。

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。

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。

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。

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：

  pip install graphrag

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 -m graphrag.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。

在这里插入图片描述

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 -m graphrag.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，

在这里插入图片描述

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。

在这里插入图片描述

图谱至此建立完毕，我们来做一个查询：

 python -m graphrag.query \ --root ./ragtest \ --method global \ "What are the top themes in this story?"

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。

下一节我们将讲述怎么在项目里使用向量数据neo4j ，还有 langchain 工具和 GraphRAG 结合起来。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述