最佳实践｜本地跑GraphRAG

     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。

点关注不迷路

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。

由于篇幅过长，具体文件已放在云盘【若需要私信关键词：2024001】

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？"