最佳实践｜本地跑GraphRAG

原创最新推荐文章于 2026-07-05 13:49:07 发布 7.1k 阅读 AI写同款

Python_金钱豹

码龄5年墨衍会员 · AI 创作全网分发

1万+粉丝2839篇原创

关注

【GraphRAG】本地部署全流程！超详细介绍！ graphrag本地部署阅读详情

AI摘要

本文介绍在本地环境部署GraphRAG的步骤，包括准备环境、pip安装、数据准备等，还针对中文使用做了优化改进。此外，分享大模型AI学习的四个阶段，涵盖初阶应用、高阶应用、模型训练和商业闭环，提供了学习资料获取方式。

为在本地环境中部署GraphRAG，需配置两种模型：一是用于实体提取与摘要的LLM（大型语言模型），二是用于数据向量化的Embedding模型。当前，GraphRAG采用的是OpenAI提供的模型，故部署的核心在于选用兼容OpenAI API标准的模型以实现替代。今天带大家一起沉浸式体验本地运行GraphRAG，并且在支持中文graph构建上做了一些优化改进。

一、准备环境

Python3.10 (推荐)
Pycharm
Qwen2-72B-Instruct (LLM 模型)
bge-m3 (Embedding 模型)
Xinference (Embedding 模型部署平台)
3090 服务器 (Embedding 模型运行服务器)

二、pip安装

pip install graphrag

三、准备数据

首先，创建 input 目录：

mkdir -p ./ragtest/input

随后，将文本材料放到 input 目录下。注意 GraphRAG 仅支持 txt 文件，编码格式必须为 utf-8。我这里选用《红楼梦》中，林黛玉初入荣国府一节。

也可以使用官方提供的英文材料：

curl https://www.gutenberg.org/cache/epub/24022/pg24022.txt > ./ragtest/input/book.txt

四、初始化配置文件

首先，运行工作区初始化命令：

python -m graphrag.index --init --root ./ragtest

这一命令将在 ./ragtest 目录中创建两个文件：.env 和 settings.yaml

.env 包含运行 GraphRAG 管道所需的环境变量。如果检查该文件，您将看到定义的单个环境变量 GRAPHRAG_API_KEY=<API_KEY> 。这是 OpenAI API 或 Azure OpenAI 终结点的 API 密钥。因为我们将要替换掉 OpenAI 模型，所以不用对其进行操作更改。
settings.yaml 包含管道的设置。我们需要在其中对两个模型的设置进行更改，这里截取更改了的 LLM 和 Embedding 部分：

llm:     api_key: ${GRAPHRAG_API_KEY}     type: openai_chat # or azure_openai_chat     model: Qwen2-72B-Instruct     model_supports_json: false      max_tokens: 2000     # request_timeout: 180.0     api_base: http://11.0.0.1:8000/v1 # 根据部署的实际情况进行更改     tokens_per_minute: 30000     requests_per_minute: 30      top_p: 0.99 # top-p sampling   embeddings:     ## parallelization: override the global parallelization settings for embeddings     async_mode: threaded      llm:       api_key: xinference       type: openai_embedding        model: bge-m3       api_base: http://10.0.0.1:9998/v1 # 根据部署的实际情况进行更改

其中，Embedding 模型用 Xinference 在 3090 服务器上运行了 bge-m3，部署和运行参考：Docker 镜像 — Xinference【https://github.com/alibaba/xinference】

另外，为了适配我们模型的参数，使得局部搜索有输出，需要把 local search 部分的 max_tokens 调小，可以选取 4000。

五、支持中文-优化改进

由于微软 GraphRAG 初始语言为英文，因此如果要运行中文文本，建议做出一定的改进措施。

优化1： 文档切分策略

替换 graphrag/index/verbs/text/chunk/strategies/tokens.py 即可。官方分块把文档按照 token 数进行切分，对于中文来说容易在 chunk 之间出现乱码，参考 Langchain-ChatChat 开源项目中用中文字符数进行切分。

由于篇幅过长，具体实现已放在云盘【若需要私信关键词：2024002**】**

优化2： prompt优化

原本的四个 prompt 都由英文书写，并要求 LLM 使用英文输出。为了更好地运行中文内容，把四个 Prompt 翻译成中文，且要求中文输出。

由于篇幅过长，精心翻译的中文 prompt 文件已放在云盘【若需要私信关键关键词****：2024003**】**

六、索引构建

python -m graphrag.index --root ./ragtest

提示：All workflows completed successfully 后，即可进行查询。

七、测试查询

global 全局查询：

python -m graphrag.query --root ./ragtest --method global "故事的主旨是什么？"

local 本地查询：

python -m graphrag.query --root ./ragtest --method local "贾母对宝玉的态度怎么样？"

八、可视化

为了更直观地看到识别出的实体和社区，图谱可视化是必须的。使用下面可视化代码，直接替换输入目录为需要的 artifacts 目录即可。

由于篇幅过长，可视化代码实现已放在云盘【若需要私信我：2024004】

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