GraphRAG的原理及代码实战（3）基本原理介绍（下）-优快云博客

1、简介

在GraphRAG的查询阶段，核心任务是基于构建好的知识图谱来检索相关信息并生成回答。具体来说，查询阶段会利用之前在索引阶段构建的所有实体、关系和社区报告等信息，结合用户的查询请求，自动选择最相关的上下文，并通过大语言模型（如GPT等）生成智能化的回答。

GraphRAG检索方式有两种，本地搜索和全局搜索

本地搜索：主要聚焦于回答与特定实体相关的问题，适用于需要理解输入文档中提到的特定实体细节的场景，比如查询 “洋甘菊的治疗特性是什么”，旨在从文档中提取与该特定实体紧密相关的信息。
全局搜索：主要用于处理需要对整个数据集进行分析和总结的查询，例如 “数据中的主要主题是什么”“对 x 最重要的影响是什么” 这类需要跨数据集聚合信息的问题，关注的是整个数据集的结构和主题。

查询阶段的执行流程

用户输入查询（User Query）：用户通过输入一个自然语言查询，表达他们需要的信息。例如：“告诉我大数据时代的背景是什么？”
创建查询上下文（Build Query Context）：GraphRAG会根据查询的内容，从知识图谱中提取相关的信息并构建查询上下文。这个上下文包括了与查询相关的：

文本单元（Text Units）：即与查询相关的文档片段或文本段。
实体（Entities）：与查询相关的实体，如“维克托·迈尔-舍恩伯格”、“数据分析”等。
关系（Relationships）：涉及到查询中的实体之间的关系，如“维克托·迈尔-舍恩伯格”与“《大数据时代》”之间的关系。

上下文构建的过程中，GraphRAG会根据预设的参数（如文本单元占比、实体数量等）来选择最相关的文本片段、实体、关系等，以便提供一个完整的上下文。
文本切分和嵌入（Text Splitting and Embedding）：

对于文本，GraphRAG会按照预设的规则进行切分。例如，以每50个token为单位，将文本分割成多个文本单元。
接着，使用预训练的文本嵌入模型（如OpenAI的Embedding模型），将每个文本单元转化为一个向量表示，便于计算相似度。
对于实体和关系，也会计算其嵌入（Embedding），通常基于实体的描述、关系的文本等。

构建查询上下文（Local Context）：使用 LocalSearchMixedContext 类，GraphRAG将结合以下因素构建查询上下文：

查询相关的文本单元（即与查询最相关的文本片段）；
查询相关的实体（从实体表中选取相关的实体）；
查询相关的关系（从关系表中选取与查询相关的关系）；
社区报告（有时也会包含相关的社区报告信息，帮助理解文本和实体的聚合关系）。

这些信息会被组合在一起，形成一个“上下文窗口”，为后续的查询提供支持。
检索并选择相关信息（Retrieve Relevant Information）：通过构建好的查询上下文，GraphRAG会检索并从中选择最相关的文本单元、实体和关系。这个过程的目的是通过“局部搜索”算法找到与用户查询最相关的信息，并确定哪些是能够提供解答的关键内容。
大语言模型生成答案（Answer Generation by LLM）：结合检索到的上下文信息，GraphRAG使用一个大型语言模型（如GPT）来生成最终的回答。模型会根据检索到的上下文生成自然语言的回应，并根据查询的需要决定回答的格式和内容。
生成的答案可以根据查询的复杂度有所不同，通常会包含多段文字、按优先级排序的答案等。
返回查询结果（Return Results）：最终，GraphRAG将生成的答案返回给用户。如果设置了“返回候选上下文”（return_candidate_context=True），则还会返回所有相关候选的实体、关系和文本单元，供用户参考。

2、本地搜索

在这里插入图片描述

读取相应的文件，创建本地查询的入参

ounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(line
text_unit_df = pd.read_parquet("./sushi2/output/create_final_text_units.parquet")
text_units = read_indexer_text_units(text_unit_df)
nodes_df = pd.read_parquet("./sushi2/output/create_final_nodes.parquet")
entitys_df = pd.read_parquet("./sushi2/output/create_final_entities.parquet")
entities = read_indexer_entities(nodes_df, entitys_df,None)
description_embedding_store = LanceDBVectorStore(
collection_name="default-entity-description",
)
description_embedding_store.connect(db_uri="./sushi2/output/lancedb/")
relationship_df = pd.read_parquet("./sushi2/output/create_final_relationships.parquet")
relationships = read_indexer_relationships(relationship_df)
report_df = pd.read_parquet("./sushi2/output/create_final_community_reports.parquet")
reports = read_indexer_reports(report_df, nodes_df, None)

创建大语言模型及词嵌入模型相关的参数

ounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(line
llm = ChatOpenAI(
api_key=os.getenv("openai_api_key", None),
model="gpt-4o",
api_base=os.getenv("base_url", None),
api_type=OpenaiApiType.OpenAI,
max_retries=20,
)
token_encoder = tiktoken.get_encoding("cl100k_base")
text_embedder = OpenAIEmbedding(
api_key=os.getenv("openai_api_key", None),
api_base=os.getenv("base_url", None),
api_type=OpenaiApiType.OpenAI,
model="text-embedding-3-large",
deployment_name="text-embedding-3-large",
max_retries=20,
)

创建上下文构建器

ounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(line
context_builder = LocalSearchMixedContext(
community_reports=reports,
text_units=text_units,
entities=entities,
relationships=relationships,
covariates=None,
entity_text_embeddings=description_embedding_store,
embedding_vectorstore_key=EntityVectorStoreKey.ID,
text_embedder=text_embedder,
token_encoder=token_encoder,
)

创建本地查询的超参数

ounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(line
local_context_params = {
"text_unit_prop": 0.5,
"community_prop": 0.1,
"conversation_history_max_turns": 5,
"conversation_history_user_turns_only": True,
"top_k_mapped_entities": 10,
"top_k_relationships": 10,
"include_entity_rank": True,
"include_relationship_weight": True,
"include_community_rank": True,
"return_candidate_context": True,
"embedding_vectorstore_key": EntityVectorStoreKey.ID,
"max_tokens": 12_000,
}
llm_params = {
"max_tokens": 2_000,
"temperature": 0.0,
}

查询

ounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(line
search_engine = LocalSearch(
llm=llm,
context_builder=context_builder,
token_encoder=token_encoder,
llm_params=llm_params,
context_builder_params=local_context_params,
response_type="multiple paragraphs",
)
result = await search_engine.asearch("请帮我介绍下苏轼")
from IPython.display import Markdown, display
display(Markdown(result.response))

苏轼（1037-1101），字子瞻，号东坡居士，是北宋时期著名的文学家、政治家、书法家和画家。他出身名门，是初唐大臣苏味道的后裔[Data: Entities (0, 15)]. 苏轼的父亲苏洵和母亲程氏都对他的成长产生了深远的影响，尤其是父亲在文学上的熏陶，使苏轼从小就展现出非凡的文学才华[Data: Reports (0); Entities (3); Relationships (0, 1, 6)].
## 文学成就
苏轼的文学才华在当时和后世都享有极高的声誉。他擅长诗、词、文章和书法，其作品涵盖社会现实、人生思考、自然景观等诸多方面。苏轼的代表作包括《赤壁赋》、《后赤壁赋》和《念奴娇·赤壁怀古》，这些作品通过描写自然景色，表达了他对人生的哲思和感悟[Data: Entities (0, 99); Reports (0, 3); Relationships (39, 98, 17, 99, 100, +more)].
此外，苏轼还以诗歌中的批判精神和社会洞察力著称。他通过诗歌表达了对社会现实的深刻洞察和批判，并在作品中常常蕴含着对人生和自然的深刻感悟[Data: Entities (0), Reports (5)].
## 政治生涯
虽然苏轼在文学上有极高的成就，但他的政治生涯却充满波折。他曾在多个地方和机构任职，包括河南府福昌县、大理评事、凤翔府签书判官和杭州知州。他在这些地方推行了许多有益于民生的工程，尤其是在杭州修建了著名的苏公堤[Data: Reports (0); Entities (22, 24, 25, 31, 62, 65); Relationships (20, 21, 22, 51, 53, 54, 61, +more)].
然而，苏轼的政治生涯并非一帆风顺。他曾因“乌台诗案”被贬至黄州，后来又被多次贬谪至惠州和海南岛等地。在这些贬谪地，苏轼依然积极生活和创作，广受当地百姓的爱戴[Data: Reports (0); Entities (44, 79, 81, 98); Relationships (39, 40, 48, 50, +more)].
## 家庭与人际关系
苏轼出生在一个书香门第的家庭，父亲苏洵和弟弟苏辙都是著名的文学家。他的父亲对苏轼的成长产生了深远影响，他的弟弟苏辙也在他们母亲去世后，一同守丧回乡[Data: Reports (0); Entities (3, 6, 15); Relationships (0, 1, 3)].
此外，苏轼与北宋多位重要人物有密切的联系。例如，欧阳修是苏轼科举考试的主考官，对其才情非常肯定，并在仕途上给予了极大的支持。苏轼在仕途和学术上的朋友如梅尧臣、司马光等，也对他的生平和事业提供了重要影响[Data: Reports (0); Entities (12, 13); Relationships (6, 7)].
## 对后世的影响
苏轼不仅为北宋的文学留下了宝贵遗产，还对后世的文学和文化发展产生了深远的影响。他创造的经典美食如东坡肉、东坡饼至今仍为人们所喜爱[Data: Reports (0); Relationships (4, 5)].
苏轼的一生充满了坎坷与传奇。他的文学成就和人格魅力永远地留在人们的心中，成为后世文人们景仰的对象[Data: Sources (5)].
### 结语
苏轼的个人经历和作品对中国文化产生了深远的影响。他不仅是一位伟大的文学家，也是一个为百姓服务的忠诚政治家。他的一生体现了他对文学、政治和生活的热爱与奉献。无论是他的诗篇，还是他的社会贡献，苏轼都为后人留下了一笔不可磨灭的文化财富。

3、global查询

代码流程与本地类似

读取本地结果创建参数

在前面已经创建的参数，在这里继续使用

ounter(lineounter(lineounter(line
community_df = pd.read_parquet("./sushi2/output/create_final_communities.parquet")
communities = read_indexer_communities(community_df, nodes_df, report_df)

上下文构建器

ounter(lineounter(lineounter(lineounter(lineounter(lineounter(line
context_builder = GlobalCommunityContext(
community_reports=reports,
communities=communities,
entities=entities,
token_encoder=token_encoder,
)

超参数

ounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(line
context_builder_params = {
"use_community_summary": False,
"shuffle_data": True,
"include_community_rank": True,
"min_community_rank": 0,
"community_rank_name": "rank",
"include_community_weight": True,
"community_weight_name": "occurrence weight",
"normalize_community_weight": True,
"max_tokens": 12_000,
"context_name": "Reports",
}
map_llm_params = {
"max_tokens": 1000,
"temperature": 0.0,
"response_format": {"type": "json_object"},
}
reduce_llm_params = {
"max_tokens": 2000,
"temperature": 0.0,
}

查询

ounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(line
search_engine = GlobalSearch(
llm=llm,
context_builder=context_builder,
token_encoder=token_encoder,
max_data_tokens=12_000,
map_llm_params=map_llm_params,
reduce_llm_params=reduce_llm_params,
allow_general_knowledge=False,
json_mode=True,
context_builder_params=context_builder_params,
concurrent_coroutines=32,
response_type="multiple paragraphs",
)
result = await search_engine.asearch("请帮我介绍下苏轼")
display(Markdown(result.response))
### 苏轼简介
苏轼（1037—1101年），字子瞻，号东坡居士，是北宋时期著名的文学家、政治家和思想家。他以其在诗歌、散文、书法和绘画上的卓越成就，成为中国文化历史上耀眼的代表人物。他的文学作品包括《赤壁赋》《后赤壁赋》和《念奴娇·赤壁怀古》等名篇，这些不朽之作不仅展现了他的创作天赋，还深刻反映了他乐观豁达的生活态度和对人生的哲学思考 [Data: Reports (0, 3, 5, 6, 4, +more)]。
---
### 政治生涯与功绩
苏轼在政治生涯中历任多个地方和中央职位，包括杭州、大理、翰林院等地的重要职务。在杭州任职期间，他主持修建了著名的“苏堤”，既为百姓的生活提供便利，又成为后世闻名的景观，充分体现了他的务实与民本思想 [Data: Reports (0, 5)]。然而，苏轼的政治生涯并非一帆风顺。因乌台诗案等事件，他多次被贬谪至黄州、惠州和海南岛等偏远之地。但在这些逆境中，他依然保持积极生活态度，并创作了大量文学作品，融入了对自然与人生的深刻感悟，也赢得了当地百姓的爱戴 [Data: Reports (0, 3)]。
---
### 家庭背景与教育
苏轼出身于书香门第，其父苏洵是北宋著名的文学家，弟弟苏辙亦在文学上有较大成就，被后人并称为“三苏”。在父亲的精心教育下，苏轼和弟弟勤奋学习，最终通过科举考试脱颖而出，奠定了他们在北宋文坛的重要地位 [Data: Reports (0, 4)]。
---
### 文化遗产与后世影响
苏轼不仅以文学成就载入史册，他亲自创制的美食“东坡肉”等也成为中国传统饮食文化的一部分，反映出他对生活细节的热爱和创意。他的名字几乎与中国文化遗产画上了等号，对后世产生了深远影响，成为中国文人精神的象征 [Data: Reports (0, 6)]。
---
综上，苏轼以其多方面的才华和人格魅力，在北宋及后世树立了难以替代的文化地位。他兼具文学、政治与人生态度的高度统一，为后来的人们留下了极为丰富的精神财富。

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年 AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇