实战使用 GraphRAG 索引整本《西游记》，解锁黑悟空通关路

### 最近《黑神话：悟空》火得一塌糊涂，但坦白讲，好多妖精妖怪我居然记不清了？亢金星君是谁？白衣秀士又是哪路神仙？广智、金池长老……算了，岁月不饶人，记忆也跟着模糊了。这篇文章打算换个玩法——用GraphRAG把整本《西游记》给索引一遍，边重温边测试。内容包括手动定制实体类型、索引全本、可视化呈现，以及问答测试。最后，还会顺带验证一个有意思的问题：孙行者、行者孙、者行孙和孙悟空，GraphRAG能不能分清这四位是不是同一个人？ 先上张图开开胃——这是提取出来的实体可视化图谱，大约10万个节点，密得像个小宇宙。 （图：http://img.318050.com/uploads/20260530/17801015176a1a318d22e98248218147.webp） --- ## 准备工作：下载文本、配置模型 先把《西游记》全文TXT搞到手。从GitHub可以找到资源 [1]，全书100回，约62万字。GraphRAG索引过程中，对Token消耗挺大的——据说一次跑下来要烧掉10倍于原文的Tokens。好在最近智谱的BigModel开放平台免费开放了GLM-4-FLASH [2]，虽然是个小模型，但跑原型验证绰绰有余。快、免费才是王道。注册后直接获取API密钥，就可以开工了。 （图：http://img.318050.com/uploads/20260530/17801015186a1a318e0b65b881456442.webp） 接下来配置settings.yaml，对接GLM-4-FLASH： ```yaml llm: api_key: ${GRAPHRAG_API_KEY} type: openai_chat model: glm-4-flash model_supports_json: true api_base: https://open.bigmodel.cn/api/paas/v4/ max_tokens: 4096 concurrent_requests: 5 tokens_per_minute: 1500000 requests_per_minute: 300 top_p: 0.99 temperature: 0 max_retries: 3 max_retry_wait: 10 sleep_on_rate_limit_recommendation: true ``` --- ## 手调实体 先把西游记文本处理成结构化格式。写一段脚本，把TXT文件按章节切成CSV。这一步我直接请教了BigModel平台的对话模型——代码类的任务，大模型最拿手。登录控制台，进体验中心开聊。 （图：http://img.318050.com/uploads/20260530/17801015256a1a319567b38605223681.webp） 让它生成提取章节名和内容的脚本，代码如下。 （图：http://img.318050.com/uploads/20260530/17801015266a1a31962e764179584117.webp） 切分后自行调整列标题，如图。 （图：http://img.318050.com/uploads/20260530/17801015276a1a319718608544015249.webp） 全书62万字、100回，每章约6200字。但GraphRAG默认chunk大小是1200字，这样每章会被切成多个chunk，大部分chunk会丢失章节名信息——后果是，问“某某章节剧情”或“剧情在哪章节”时可能答错。所以需要在切分时给这些chunk补充上下文，例如章节名。接下来用GraphRAG自动微调，设置领域和语言。 ```bash python -m graphrag.prompt_tune --root . --domain "小说西游记" --language Chinese --chunk-size 1200 --output prompt-xiyou --config settings.yaml ``` 继续请教BigModel平台：提取《西游记》哪些实体比较合适？ （图：http://img.318050.com/uploads/20260530/17801015276a1a3197dfde8820289664.webp） 它建议：人物、地点、法宝、事件、组织；我补充了“妖怪”和“章节”两个实体。 确定实体类型后，进到prompt-xiyou目录，修改entity_extraction.txt，把实体类型改成我们想要的。然后把这份Prompt拷贝进BigModel对话框，让它生成示例。重要提示：这一步最好选择GLM-4-PLUS模型——它是更强的老师；后面实际提取时用GLM-4-FLASH（学生模型），老师教得好，学生自然学得快。 拷贝内容如下（部分过长已省略）： ```text -Goal- Given a text document... identify all entities... and all relationships... -Steps- 1. Identify all entities. For each: - entity_name: ... - entity_type: one of [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: ... ``` 它生成的实体和关系提取示例格式很准确，直接替换entity_extraction.txt里的output部分即可。同样的方法，再生成Example 2。之前测试ChatGPT等线上模型时，发现它们第一次输出的格式大多有问题——会直接把{tuple_delimiter}替换为`<|>`之类的符号。所以还得让它调整。 （图：http://img.318050.com/uploads/20260530/17801015286a1a3198dd6dd409305904.webp） --- ## 索引 索引前还要设置Embedding。可以用LM Studio本地启动，也可以用BigModel上的Embedding接口 [3]。后者速度快，推荐。配置完成，运行索引命令： ```bash poetry run poe index --root . ``` 索引过程中遇到一个小众问题：内容安全审查错误。虽然只出现了几次，无伤大雅，选择忽略。 （图：http://img.318050.com/uploads/20260530/17801015306a1a319a03c2a127589126.webp） 几个小时后，索引结束。 （图：http://img.318050.com/uploads/20260530/17801015306a1a319ac7427153826748.webp） GLM-4-FLASH虽然参数规模不大，但索引过程基本一次通过，没有遇到格式错误导致的整体失败。从提取的实体来看，准确度相当不错。 （图：http://img.318050.com/uploads/20260530/17801015316a1a319be0e57535216683.webp） --- ## 可视化 实体数量实在太多，关系盘根错节，可视化界面直接卡住——但依然能看出主要角色对应的节点都特别大。 （图：http://img.318050.com/uploads/20260530/17801015336a1a319d17896465939661.webp） （图：http://img.318050.com/uploads/20260530/17801015346a1a319e3bd4b154961147.webp） --- ## 问答 开始问答前，把settings.yaml里的模型改为GLM-4-PLUS。为什么问答环节要大模型？因为GraphRAG的问答Prompt通常很长，有时能达到几万个Token。GLM-4-FLASH容易被长Prompt淹没关键信息。配置更大的模型，有利于剔除不相关上下文，给出正确答案。Cherry-Studio的配置方法，之前那篇《小白也能看懂，手把手教你启动graphrag-server》已经介绍过，不再赘述。 ### 全局问题 **问题1：这部小说主要讲述了什么故事？** （图：http://img.318050.com/uploads/20260530/17801015356a1a319f3064a952218818.webp） **问题2：在主角孙悟空的身上体现了哪些精神？** （图：http://img.318050.com/uploads/20260530/17801015366a1a31a0285de933287922.webp） ### 局部问题 **问题3：亢金星君是谁？** （图：http://img.318050.com/uploads/20260530/17801015376a1a31a11f26e310055716.webp） **问题4：白衣秀士是谁？** （图：http://img.318050.com/uploads/20260530/17801015386a1a31a213f9a055236312.webp） **问题5：灵吉菩萨的具体经历？** （图：http://img.318050.com/uploads/20260530/17801015396a1a31a37a03a409853285.webp） **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，孙悟空和哪吒打完架，还偷偷躲起来喝过酒。 （图：http://img.318050.com/uploads/20260530/17801015406a1a31a436384609746469.webp） **问题7：第七十二回 盘丝洞七情迷本 濯垢泉八戒忘形** （图：此处无图） **问题8：孙行者、者行孙、行者孙、孙悟空，他们是什么关系？** （图：此处无图） 整体表现令人满意——不管是纵观全文的宏观问题，还是局部章节的细节问题，都回答得有理有据，而且精准。 --- ## 总结 这篇文章尝试用GraphRAG配合免费的GLM-4-FLASH，把整本《西游记》索引了一遍，带我们一起梦回西游。从配置、手调实体、索引、可视化到问答测试，完整分享了一条技术路径。同时也验证了智谱BigModel平台免费模型在GraphRAG中的实际表现——效果不错，足以说一句：免费有时也挺香。希望这份指南对你有所启发。