GraphRAG：终极 RAG 引擎 - 语义搜索、嵌入、矢量搜索等等！

微软最近开源了一个重量级项目——GraphRAG，这可以说是目前最值得关注的全开源RAG系统。它本质上是一套数据管道和转换工具，利用大语言模型从非结构化文本中提取结构化数据。在深入介绍之前，有必要先回顾一下RAG的基本理念。

RAG（检索增强生成）是一种通过外部知识库来增强大语言模型回答能力的框架。为什么它现在这么流行？因为它在不显著增加成本的前提下，能有效减少模型“一本正经地胡说八道”的倾向，让生成内容更贴近上下文。除了问答，RAG还能应用于文本信息提取、推荐、情感分析、摘要等任务——而且所有处理都可以在私有本地环境中完成。

那么GraphRAG和传统的RAG系统有什么本质区别？关键在于它引入了图结构。GraphRAG把文本提取、网络分析、大模型提示和摘要整合在一起，形成一个强大的系统。不同于简单的文本搜索或向量检索，它使用

来组织信息，把分散的信息片段连接起来，提供综合性的见解。在处理复杂或私密的数据集时，这种结构的优势非常明显，响应准确性和相关性都显著优于基准RAG技术。

接下来，我们看看如何实际部署和使用GraphRAG。

如何开始使用GraphRAG

首先确保你的环境已经安装了最新版本的Python和PIP。然后克隆GraphRAG的GitHub仓库，用VS Code打开。打开终端，执行pip install graphrag安装相关包。接着进入目录cd graphrag，设置API密钥：export GRAPHRAG_API_KEY=你的密钥。

创建一个输入文件夹存放待处理文档，在终端输入mkdir input。将你要分析的文档（比如一份财报）放入该文件夹。然后运行索引命令：python -m graphrag index，系统会对文档进行索引处理。每次新增或更新文件都需要重新索引。

完成后，启动查询对话：python -m graphrag query，初始化后输入你的问题即可。对于本地部署，强烈推荐使用Ollama——设置非常简单，只需配置好端点就行。

GraphRAG 项目

• 使用 GraphRAG Accelerator 解决方案
• 微软研究博客文章
• 阅读文档
• GraphRAG 发表的论文

简介

GraphRAG 是一个旨在利用大语言模型（LLMs）从非结构化文本中提取结构化数据的数据处理工具套件。要了解更多关于 GraphRAG 及其如何增强 LLM 处理私有数据能力的信息，请访问微软研究博客文章。

快速入门

建议使用 Solution Accelerator 包，该包提供了与 Azure 资源的端到端用户体验。

代码库指南

此代码库展示了如何利用知识图谱记忆结构来增强 LLM 输出。请注意，提供的代码仅作为示范用途，不是微软官方支持的产品。

深入探索

• 关于贡献指南，请参见 CONTRIBUTING.md
• 关于 GraphRAG 的开发信息，请参见 DEVELOPING.md
• 欢迎在 GitHub 讨论区参与讨论和反馈意见！

提示调优

为了使 GraphRAG 在使用您的数据时达到最佳效果，我们强烈建议按照文档中的提示调优指南进行调整。

责任 AI 常见问题

请参阅 RAI_TRANSPARENCY.md 了解以下内容：

• GraphRAG 是什么？
• GraphRAG 能做什么？
• GraphRAG 的预期用途是什么？
• GraphRAG 如何评估？使用了哪些性能指标？
• GraphRAG 的局限性是什么？用户如何将其影响降到最低？
• 哪些操作因素和设置有助于 GraphRAG 的有效和负责任使用？