微信扫码
与创始人交个朋友
我要投稿
最近游戏科学的《黑神话:悟空》爆火,然而我发现为啥好多妖怪妖精我都记不得了呢?怎么和我小时候看的动画版西游记不一样呢?亢金星君是谁?白衣秀士是谁?广智?金池长老?老了呀,都不记得了。本文尝试用 GraphRAG 索引整本《西游记》,带你重温经典。本文分为手调实体、索引、可视化、问答几个部分。另外,我们也会测试一下 GraphRAG 可否识别孙行者、行者孙、者行孙和孙悟空是否为同一个人。
在进入全文之前,我们先看看提取的实体可视化图谱,大约 10 万个实体,看起来像个小宇宙一样。
首先我们下载《西游记》全本 txt 文件,可从github[1]上下载。统计了一下,《西游记》整本书共 100 回,大约 62 万字。我们知道 GraphRAG 索引是比较消耗资源的,一次跑下来可能要消耗 10 倍 Tokens 数量。据了解,最近北京智谱 BigModel 开放平台[2]免费了大模型 GLM-4-FLASH,虽然是个小模型,不过对于我们本次使用足够了。对我来说,最主要是快而且免费,最适合跑这种原型验证了。直接手机号注册,然后右上角获取 API 密钥即可。
llm:
api_key: ${GRAPHRAG_API_KEY}
type: openai_chat # or azure_openai_chat
model: glm-4-flash
model_supports_json: true # recommended if this is available for your model.
api_base: https://open.bigmodel.cn/api/paas/v4/
max_tokens: 4096
concurrent_requests: 5 # the number of parallel inflight requests that may be made
tokens_per_minute: 1500000 # set a leaky bucket throttle
requests_per_minute: 300 # set a leaky bucket throttle
top_p: 0.99
temperature: 0
max_retries: 3
max_retry_wait: 10
sleep_on_rate_limit_recommendation: true # whether to sleep when azure suggests wait-times
在手调实体之前,我们处理一下西游记文本。首先我们写一段脚本将获取的西游记 txt 文件按照章节处理成 csv,这部分代码直接在 bigmodel 平台上问就行,大模型处理脚本类的任务最擅长了。登录 bigmodel 平台后,点击左侧控制台,进入体验中心,就可以愉快对话了。
然后我们试着让他生成一段提取西游记章节名和章节内容的脚本,生成代码如下。
西游记 62 万字共 100 回,那么每章平均有 6200 字。而我们默认的 chunk 配置是 1200 大小,这意味着每章可能会切割为多个 chunk,而且切割后可能大部分的 chunk 都丢失了章节名,这意味着我可能询问某某章节的剧情,或者某某剧情在哪个章节是可能回答错误的。因此在切分的时候,你可能还要给这些 chunk 加一些类似章节名这样的上下文。接下来,咱们先使用 GraphRAG 自动微调设置一下大概的领域和语言。
python -m graphrag.prompt_tune --root . --domain "小说西游记" --language Chinese --chunk-size 1200 --output prompt-xiyou --config settings.yaml
然后我们继续在 bigmodel 上询问《西游记》最好提取哪些实体较好。
它给出了如下的实体建议:人物、地点、法宝、事件和组织等实体,然后我觉得还可以添加妖怪和章节这两个实体。
既然实体已经确定接下来,准备手调。前往 prompt-xiyou 目录,在文件 entity_extration.txt 修改为我们想要的实体,然后拷贝 Prompt 到 bigmodel 对话框中,让它生成 Example。这一步最好记得左侧模型选择最好的模型 glm-4-plus。因为我们后面会使用模型能力弱一些的 glm-4-flash 来提取实体,你用一个好的老师来教它,岂不是事半功倍?
拷贝内容如下,部分内容较长的已经省略了。
-Goal-
Given a text document that is potentially relevant to this activity and a list of entity types, identify all entities of those types from the text and all relationships among the identified entities.
-Steps-
1. Identify all entities. For each identified entity, extract the following information:
- entity_name: Name of the entity, capitalized
- entity_type: One of the following types: [人物 地点 事件 法宝 妖怪 组织 章节]
....
-Examples-
######################
Example 1:
entity_types: [人物 地点 事件 法宝 妖怪 组织 章节]
text:
目录:第八回 我佛造经传极乐 观音奉旨上长安
试问禅关,参求无数,往往到头虚老。...
------------------------
output:
它会生成类似如下的实体提取和关系提取案例,可以看到格式非常准确,我们直接拷贝这段代码并替换 entity_extraction.txt 里的 output 后内容即可,然后如法炮制 Example 2。按照我之前测试 ChatGPT 等线上大模型,基本上输出的格式都会有点问题,就比如 ChatGPT 它第一次输出格式基本上是错误的,直接将{tuple_delimiter}替换为<|>
输出,所以我一般还得再次要求让它替换。
在索引前,我们还要设置一下 embedding。你可以考虑使用 LM Studio 启动,也可以考虑使用线上模型。我看 bigmodel 上也有Embedding 接口[3],大家可以自行尝试,毕竟比本地 Embedding 要快嘛。配置完毕,接下来运行命令启动索引。
poetry run poe index --root .
索引过程中遇到一个小错误,遇到内容安全审查错误。不过这个错误不多,全文大概只有几个,我觉得无伤大雅忽略就行。
几个小时后,索引结束。
可以看到虽然glm-4-flash
是一个小模型,具体参数虽然不太清楚,但使用GraphRAG 进行索引基本一次通过,没有看到因为格式错误等问题导致整个 Index 失败的问题。从下图提取的实体来看,准确度还是可以的。
实体实在太多了 ,关系错综复杂,导致可视化界面都卡了,但我们依然能看出西游记中主要角色都具有非常大的实体节点。
在开始问答前,我们将 settings.yaml 中的 model 修改为glm-4-plus
。之所以问答要修改为更大的模型,是因为 GraphRAG 的问答通常 Prompt 较大,有时候甚至能够打到几万个 Token,当然这个可以通过配置 settigns.yaml 中 query 的 llm 的最大输入调节,但仍然会比较大。因此,小一点模型诸如 glm-4-flash,可能会因为较长的 Prompt 而丢失问题的关键信息。因此,配置更大的模型有利于剔除不相关的上下文,回复正确的答案。配置 Cherry-Studio 就不多说了,这个在我们之前的文章《小白也能看懂,手把手教你启动graphrag-server》已经介绍过。我们直接开始问答,先从全局问题开始。
问题 1:这部小说主要讲述了什么故事
问题 2:在主角孙悟空的身上体现了哪些精神?
然后切换到局部问题
问题 3:亢金星君 是谁
问题 4:白衣秀士是谁
问题 5:灵吉菩萨的具体经历
问题 6:孙悟空和哪吒一起喝酒了吗?
我记得以前看西游记动画版,孙悟空和哪吒打架之余又躲在某个地方喝酒来着
问题 7:第七十二回 盘丝洞七情迷本 濯垢泉八戒忘形
问题 8:孙行者 者行孙 行者孙 孙悟空 他们是什么关系
基本上对答如流,不论是纵观全文的回答,还是局部章节回答,都回答地有理有据。
本文主要尝试使用强大的 GraphRAG 配合免费的 glm-4-flash 索引整本西游记,带我们梦回西游。从配置、手调实体、索引、可视化、问答分享如何使用GraphRAG索引整本小说,同时也测试了智谱 bigmodel 平台免费的glm-4-flash
在GraphRAG中使用效果。那么今天的分享就到此了。希望对你有所帮助。
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
2024-10-03
Graphiti:如何让构建知识图谱变得更快、更具动态性?
2024-09-30
科学家研发AI“超级显微镜”,揭示全固态锂电材料的失效机理,精确表征正极材料的微观结构
2024-09-29
【文档智能】轻量级级表格识别算法模型-SLANet
2024-09-29
COZE知识库:探索使用方法与设计原则——图片元素在各类型知识库的应用
2024-09-29
用 iText2KG 增量构建《西游记》知识图谱
2024-09-29
什么时候(不)用GraphRAG
2024-09-27
语言模型准确性提升:向量数据库与知识图谱的比较与应用
2024-09-27
大模型的AI时代,为什么还要关心数据库?
2024-07-18
2024-07-18
2024-07-17
2024-07-11
2024-07-22
2024-07-11
2024-07-13
2024-07-03
2024-06-06
2024-07-19
2024-10-03
2024-09-27
2024-09-08
2024-09-05
2024-08-27
2024-08-26
2024-08-24
2024-08-22