简介
现在的 RAG 检索增强生成是一种使用真实世界信息改进 LLM 输出的技术。
大多数 RAG 方法使用向量相似性作为搜索技术，叫 Baseline RAG 。
但是 RAG 提取的每个文档是独立的，没有显式的结构化关系。
检索出的文档可能缺乏上下文连接，并且依赖于语言模型的推理能力还有检索出的文档。
GraphRAG 是一种结构化的、分层的检索增强生成 ( RAG ) 方法，不同于使用纯文本片段的简单语义搜索方法。
GraphRAG 流程包括从原始文本中提取知识图谱、构建社区层次结构、为这些社区生成摘要，然后在执行基于 RAG 的任务时利用这些结构。
微软在在这种情况下推出了 GraphRAG ，它通过将知识表示为图结构，捕捉更复杂的知识结构和关系，通过这种图结构，可以更容易地获取相关实体的上下文信息。
这样的图结构提供了更直观的知识表示，有助于理解模型的推理过程。也大幅提高了模型的推理问答性能。
一、环境安装
GraphRAG 依赖的 python 版本在 3.10-3.12 之间，执行下列命令：
pip install graphrag
下载一个语料数据集，https://www.gutenberg.org/cache/epub/24022/pg24022.txt 。
根目录新建 /ragtest/input 空文件，然后把下载好的语料文件放入 input 下面。
二、graphRAG 使用
第一步先完成 GraphRAG 初始化：
python -m graphrag.index --init --root ./ragtest
执行成功，可以看到我们的 ragtest 目录下面是这样，
这里面的 .env 里面是 GraphRAG 管道所需的环境变量。
主要是 GRAPHRAG_API_KEY=<API_KEY> 这是 OpenAI API 或 Azure OpenAI 端点的 API 密钥。
用我们自己的 API 密钥。
settings.yaml 包含流程的设置。你可以修改此文件以更改流程的设置。
这里的llm如果是 openai_chat，最好是设置成 gpt-4o-mini ，这一步为了减少我们的成本。 现在初始化工作完全准备了，开始执行索引建立：
python -m graphrag.index --root ./ragtest
下面是我们终端的输出，当然这一步时间要长一点，取决于你文档的大小，
可以看到正在提取我们文档里面的数据集还有段落。最后出现 All workflows completed successfully. 说明就成功了。 然后打开我们的 output 下面的图谱文件。
图谱至此建立完毕，我们来做一个查询：
python -m graphrag.query \ --root ./ragtest \ --method global \ "What are the top themes in this story?"
得到下面输出：
可以发现问题的答案非常贴近整部书籍。
GraphRAG 在回答上述问题时显示出显著的改进，展示了比以前应用于私有数据集的方法更高的智能的掌握能力。
三、总结
上面就是使用 GraphRAG基本流程，完成的步骤主要就是提取+嵌入，跟之前的rag很类似，GraphRAG 结合了知识图谱和 RAG 。
它的目的在于解决传统 RAG 的一些问题，提供更高质量的检索，同时它的出现也改变了企业私有数据分析的技术。
下一节我们将讲述怎么在项目里使用向量数据neo4j ，还有 langchain 工具和 GraphRAG 结合起来。
