从安装到配置，带你跑通GraphRAG

使用GraphRAG提升信息检索相关性。

GraphRAG是传统RAG的升级版，通过索引和查询两大阶段，实现了信息的图结构化处理和社区检测技术，从而提升信息检索的上下文相关性。本文为大家详细介绍GraphRAG的设置和应用方法。

1 GraphRAG

GraphRAG 是传统 RAG 的升级版，主要分为索引和查询两个阶段：

索引阶段：

• 源文档被拆分为子文档，进行实体和关系提取，构建知识图谱，形成社区结构，并生成多层次摘要。

查询阶段：

• 根据用户需求，选择合适的社区级别检索，整合多个社区的响应，形成全面答案。

GraphRAG 的创新在于利用图结构化信息和社区检测技术，提升回答的上下文相关性，但其计算成本要高于传统 RAG，后者在成本效益上仍有优势。

2 GraphRAG 设置指南

2.1 环境与安装

1. 创建并激活虚拟环境：

conda create -n GraphRAG
conda activate GraphRAG

1. 安装 GraphRAG 包：

pip install graphrag

2.2 目录结构

• 创建工作目录，并在其中建立 ragtest/input 文件夹。
• 将源文档放入 input 文件夹。

2.3 配置与初始化

1. 初始化工作空间并创建配置文件：

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

在 settings.yml 中设置 OpenAI API 密钥和模型配置。

2.4 构建与查询

1. 构建知识图谱：

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

1. 执行查询：

• 全局查询：

python -m graphrag.query --root ./target --method global "这个故事的主题是什么"

• 局部查询：

python -m graphrag.query --root ./target --method local "这个故事的主题是什么"

通过以上步骤，可设置并使用 GraphRAG 进行有效的信息检索。

3 GraphRAG成本分析

测试结果显示，GraphRAG处理每本书的费用约为7美元，主要包括：

• GPT-4 API调用约570次；
• 嵌入请求约25次；
• 处理超过100万标记。

这些数据可作为评估GraphRAG性价比的参考。