AI知识库

53AI知识库

学习大模型的前沿技术与行业应用场景


【24/100个AI应用体验】graphRAG,解释下苏东坡为什么乐观
发布日期:2024-07-31 06:36:33 浏览次数: 1779 来源:河东小郢



┃这一篇蛮长,先做个免责声明
  • 一如既往是经本人实操做的分享

  • 如果你已经很擅长知识图谱、rag或者是个成熟的程序员,看这篇文章的价值不大

  • 相比较前面的强调部署,这一篇可能稍微硬核一点点

  • 但本人终究不是AI专业,没有过编程经验,这也是我第一次接触到知识图谱相关的应用,只因all in AI的兴趣使然,做一个大胆的尝试。

  • 所幸折腾折腾跑通了,所以如果你也没有什么经验,也是可以尝试的

  • 如果想体验AI能力,这个项目还是非常值得的

  • 但对于初学者也是蛮煎熬的

  • 最后,不要被英文吓退,现在各种大模型和工具特别擅长处理翻译

第24个体验项目:graphRAG

┃体验小结

  • GraphRAG工作原理&过程:首先从源文档导出实体知识图,然后为所有密切相关的实体组提前生成社区摘要。给定一个查询问题,每个社区摘要都用于生成部分响应,然后所有部分响应再次汇总为对用户的最终响应。

  • 源文档:苏东坡传(林语堂).txt(utf-8编码格式)
  • 全局查询输入:苏东坡为什么一直被贬,还能乐观豁达?
  • 全局查询输出(使用obsidian进行格式整理,内容无修改):

里面的Data:reports(XX,XX,XX,XX,XX)是指引用的最终生成的知识图谱文件【create_final_community_reports.parquet】中的具体位置,多少数字就代表社区xx序号。我们以倒数第二段【个人经历与性格】为例简单说明下:


个人经历与性格

苏东坡的乐观豁达也与他的个人经历和性格有关。他经历了多次贬谪和流放,但每次都能从中找到生活的乐趣和创作的灵感。他的生活态度和文学作品对后世产生了深远的影响,成为许多人在逆境中寻求慰藉和力量的源泉 [Data: Reports (81, 85, 59, 44, 110)].

看下81,这个社区(community)的主题是【苏洵与宋代文学政治】,其中介绍了苏洵对苏东坡的影响。

再看下85,这个社区(知识图谱里面的术语,community)的主题是【苏氏兄弟与宋朝文化】,这个社区强调了宋朝文化环境对苏轼和苏辙两兄弟的影响。


我们在这两个社区里面看到的内容都是基于大语言模型(llm)和知识图谱结构综合形成的对原文分维度的总结和摘要,它比只用LLM要更精准。

回到部署和体验过程(体验过程非常煎熬,跑通后非常开心)

┃部署环境

操作系统(OS): mac/windows都可以

python版本:推荐3.10和3.11

部署方式:使用 pip 安装 graphRAG,本地部署

┃部署过程

1.通过conda创建一个纯净python环境


    conda create -n graphrag python=3.11conda activate graphrag

    2.通过pip在独立的python环境中安装GraphRAG

      pip install graphrag

      3.创建一个文件夹,专门用来放graphrag任务,我这里命名为graphrag,也可以在命令窗口下面执行↓

        mkdir graphrag

        4.创建本次任务的文件夹,比如我这次是对林语堂写的《苏东坡传》“下手”,文件夹就命名为sudongpo(名字随意,用英文),在文件夹里面再创建一个叫input的文件夹,用于本地的graphrag的练习与实践。也可以直接使用下面的命令↓

          cd graphragmkdir ./sudongpo/input

          5.把苏东坡传txt文件用编辑器打开保存为utf-8格式(总之要用utf-8格式,否则要改代码),放置到文件夹中↓

          6.初始化工作区,执行完成后,会在sudongpo文件夹下生成output、prompts两个子文件夹和一个settings.yaml配置文件,还有一个.env存放大模型api key的环境变量配置文件↓

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

            7.在sudongpo文件夹下面,打开刚生成的配置文件:settings.yaml。参考以下LLM 文本模型和嵌入模型修改具体配置项。(啰嗦几句,绝大部分graphrag部署卡壳都在这里,如果遇到过程报错中断,大概率都是配置项没有正确设置。如何正确设置?多试!多看别人分享的配置视频!)。我这里用到的文本模型是deepseek-chat,嵌入模型用到的是智谱的embedding-2。大家可以根据自己的喜好换成其他兼容openai api的模型。大语言模型的api密钥需要提前申请,确保有token余额。

             我这里是直接把密钥拷贝到settings.yaml文件,是有密钥曝露风险,实际可以在.env文件中配置,减少key泄露风险。完整配置如下↓(供参考):


              #settings.yamlencoding_model: cl100k_baseskip_workflows: []llm:api_key: $这里把deepseek的api key拷贝进来,把前后两个'$'都替换掉$type: openai_chat # or azure_openai_chatmodel: deepseek-chatmodel_supports_json: false # recommended if this is available for your model.max_tokens: 4000request_timeout: 180.0api_base: https://api.deepseek.com/v1# api_version: 2024-02-15-preview# organization: <organization_id># deployment_name: <azure_model_deployment_name>tokens_per_minute: 30000 # set a leaky bucket throttlerequests_per_minute: 30 # set a leaky bucket throttlemax_retries: 20max_retry_wait: 10.0sleep_on_rate_limit_recommendation: true # whether to sleep when azure suggests wait-timesconcurrent_requests: 10 # the number of parallel inflight requests that may be made# temperature: 0 # temperature for sampling# top_p: 1 # top-p sampling# n: 1 # Number of completions to generate
              parallelization:stagger: 0.3# num_threads: 50 # the number of threads to use for parallel processing
              async_mode: threaded # or asyncio
              embeddings:## parallelization: override the global parallelization settings for embeddingsasync_mode: threaded # or asynciollm:api_key: $这里把智谱的api key拷贝进来,把前后两个'$'都替换掉$type: openai_embedding # or azure_openai_embeddingmodel: embedding-2api_base: https://open.bigmodel.cn/api/paas/v4# api_version: 2024-02-15-preview# organization: <organization_id># deployment_name: <azure_model_deployment_name># tokens_per_minute: 150_000 # set a leaky bucket throttle# requests_per_minute: 10_000 # set a leaky bucket throttle# max_retries: 10# max_retry_wait: 10.0sleep_on_rate_limit_recommendation: true # whether to sleep when azure suggests wait-timesconcurrent_requests: 10 # the number of parallel inflight requests that may be madebatch_size: 16 # the number of documents to send in a single requestbatch_max_tokens: 8191 # the maximum number of tokens to send in a single request# target: required # or optionalchunks:size: 1200overlap: 100group_by_columns: [id] # by default, we don't allow chunks to cross documents
              input:type: file # or blobfile_type: text # or csvbase_dir: "input"file_encoding: utf-8file_pattern: ".*\\.txt$"
              cache:type: file # or blobbase_dir: "cache"# connection_string: <azure_blob_storage_connection_string># container_name: <azure_blob_storage_container_name>
              storage:type: file # or blobbase_dir: "output/${timestamp}/artifacts"# connection_string: <azure_blob_storage_connection_string># container_name: <azure_blob_storage_container_name>
              reporting:type: file # or console, blobbase_dir: "output/${timestamp}/reports"# connection_string: <azure_blob_storage_connection_string># container_name: <azure_blob_storage_container_name>
              entity_extraction:## llm: override the global llm settings for this task## parallelization: override the global parallelization settings for this task## async_mode: override the global async_mode settings for this taskprompt: "prompts/entity_extraction.txt"entity_types: [organization,person,geo,event]max_gleanings: 1
              summarize_descriptions:## llm: override the global llm settings for this task## parallelization: override the global parallelization settings for this task## async_mode: override the global async_mode settings for this taskprompt: "prompts/summarize_descriptions.txt"max_length: 500
              claim_extraction:## llm: override the global llm settings for this task## parallelization: override the global parallelization settings for this task## async_mode: override the global async_mode settings for this task# enabled: trueprompt: "prompts/claim_extraction.txt"description: "Any claims or facts that could be relevant to information discovery."max_gleanings: 1
              community_reports:## llm: override the global llm settings for this task## parallelization: override the global parallelization settings for this task## async_mode: override the global async_mode settings for this taskprompt: "prompts/community_report.txt"max_length: 2000max_input_length: 8000
              cluster_graph:max_cluster_size: 10
              embed_graph:enabled: false # if true, will generate node2vec embeddings for nodes# num_walks: 10# walk_length: 40# window_size: 2# iterations: 3# random_seed: 597832
              umap:enabled: false # if true, will generate UMAP embeddings for nodes
              snapshots:graphml: falseraw_entities: falsetop_level_nodes: false
              local_search:# text_unit_prop: 0.5# community_prop: 0.1# conversation_history_max_turns: 5# top_k_mapped_entities: 10# top_k_relationships: 10# llm_temperature: 0 # temperature for sampling# llm_top_p: 1 # top-p sampling# llm_n: 1 # Number of completions to generate# max_tokens: 12000
              global_search:# llm_temperature: 0 # temperature for sampling# llm_top_p: 1 # top-p sampling# llm_n: 1 # Number of completions to generate# max_tokens: 12000# data_max_tokens: 12000# map_max_tokens: 1000# reduce_max_tokens: 2000# concurrency: 32

              8.配置好后,运行管道(pipline),把「苏东坡传.txt」文件做分块和嵌入,持续调用推理模型结合知识图谱技术生成知识图谱结构文件(最关键步骤)↓

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

                9.窗口打印以下信息,则表示本步骤顺利完成,这里面生成的每一个文件都值得去看一遍,对理解知识图谱和RAG在这个项目中的应用非常有帮助!如果出现报错(大概率会出现),检查settings.yaml配置文件里面的配置信息,确保所用的大模型api处于有余额可用状态↓

                到这一步,部署过程结束,下面是执行查询,看看效果。

                ┃执行查询

                我们来问一个问题:苏东坡为什么一直被贬,还能乐观豁达?

                (graphRAG有两种查询方式,一种是全局查询global query,本篇介绍的就是全局查询;一种是本地查询local query,本文不做演示介绍)

                  python -m graphrag.query --root ./sudongpo --method global "苏东坡为什么一直被贬,还能乐观豁达?"

                  查询执行过程和结果如下:

                  至此查询效果体验结束。

                  下面把本次体验用到的一些工具和参考文献及up主列出。表示感谢并推荐给大家——如果要体验graphRAG的话,还是很有帮助甚至必不可少的。


                  本次使用到的工具:

                  • python调试执行工具:vscode及必要的python环境、vscode插件iflycode、vscode插件parquet-viewer;mac终端窗口

                  • 记录及初步排版:obsidian
                  • github项目及论文网页翻译:谷歌浏览器插件【沉浸式翻译】&【Monica】
                  • 调试过程中涉及到英文翻译:obsidian插件custom-frame及集成在插件中的kimichat页面;

                  第24个AI项目体验 Made it!

                  &

                  苏东坡是我idol!


                  53AI,企业落地应用大模型首选服务商

                  产品:大模型应用平台+智能体定制开发+落地咨询服务

                  承诺:先做场景POC验证,看到效果再签署服务协议。零风险落地应用大模型,已交付160+中大型企业

                  联系我们

                  售前咨询
                  186 6662 7370
                  预约演示
                  185 8882 0121

                  微信扫码

                  与创始人交个朋友

                  回到顶部

                   
                  扫码咨询