将PDF知识图谱化：graphrag+Doc2X+DeepSeek

微软最近推出的GraphRAG确实让人眼前一亮——官方声称它能从文档中提取出有意义的结构化数据。但有个小遗憾：默认情况下，它只认txt或csv格式。这意味着，那些堆积如山的PDF文档，如果不做处理就无法直接使用。这次，我用了外部库pdfdeal，先把PDF转换成带格式的txt，再结合性价比更高的DeepSeek来构建整个流程。下文会一步步拆解整个过程。

---

安装与配置：先搭好环境

为了避免不必要的麻烦，建议在虚拟环境中操作。以下是几种常见方式：

• miniconda3
  ：Conda的轻量版，当然直接上Anaconda也行。

• uv
  ：用Rust编写的包安装器，速度飞快。
• 或者用我自己写的一个脚本uvv，能配合uv和conda实现多版本Python的虚拟环境管理。

环境激活后，直接安装依赖：

# conda方案
conda create -n rag python=3.12
conda activate rag
pip install --upgrade pdfdeal graphrag

# uv方案
uv venv
source .venv/bin/activate  # Linux
source .venv/Scripts/activate  # Windows
uv pip install --upgrade graphrag pdfdeal

# uvv方案
uvv create -n rag -p 3.12
uvv activate rag
uvv install graphrag pdfdeal

完成后，找个顺手的文件夹，准备开始干正事。

---

Step1：把PDF“翻译”成txt

微软的GraphRAG只吃txt或csv，所以第一步就是转换。常见的选项按效果从低到高排列：

• 直接提取纯文本部分保存（效果最次，不推荐）
• 提取纯文本+图片OCR（pdfdeal干的就是这件事，但遇到表格和公式会抓瞎）
• 新型的OCR工具，能识别公式和格式：闭源的有Mathpix、Doc2X、Simpletex；开源的则有Nougat、Marker等。

这里选择了效果最好的Doc2X，而且它每天免费500页，相当于在做慈善。要使用它，需要先获取个人API密钥：进入网站后，点击个人信息，复制身份令牌作为API key。

接下来新建两个文件夹，一个放原始PDF，一个放转换后的txt：

mkdir ./pdf
mkdir -p ./ragtest/input

把PDF文件丢进./pdf。我选了两篇：GraphRAG论文本身，外加一篇我觉得挺重要的参考文献。

使用pdfdeal的CLI工具doc2x进行批量处理，记得加上--graphrag标识，开启对GraphRAG的特殊适配：

doc2x -k "Your Key Here" -o ./ragtest/input -p --graphrag ./pdf

等待处理完成，所有PDF就变成了带格式（Markdown语法）的txt文档：

---

Step2：用DeepSeek构建知识图谱

首先生成GraphRAG的配置文件：

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

如果只打算用默认的OpenAI LLM和嵌入模型，只需要在.env里填上Key就行。但提前剧透：GraphRAG的token消耗非常恐怖，建议别用默认的GPT-4来构建。

找到settings.yaml，这是我们需要修改的核心配置文件。

第一部分是LLM设置。DeepSeek并不直接支持输出JSON，需要把model_supports_json设为false：

llm:
  api_key: Your DeepSeek Key
  type: openai_chat
  model: deepseek-chat
  model_supports_json: false
  max_tokens: 4000
  api_base: https://api.deepseek.com/v1

第二部分是嵌入模型设置。这里直接用了OpenAI的text-embedding-3-small。注意，由于LLM部分修改了api_base，嵌入部分的api_base也要相应调整。也可以换成其他兼容OpenAI格式的嵌入模型，比如智谱的：

embeddings:
  async_mode: threaded
  llm:
    api_key: ${GRAPHRAG_API_KEY}
    type: openai_embedding
    model: text-embedding-3-small
    api_base: https://api.openai.com/v1

一切就绪后，运行命令开始构建——这个过程相当漫长（两篇不算长的PDF花了十几分钟）。去喝杯茶吧：

python -m graphrag.index --root ./ragtest

构建完成后，就可以向GraphRAG提问了。它支持两种模式：global和local。

python -m graphrag.query 
--root ./ragtest 
--method global 
# 或者换成：--method local 
"你的问题"

---

总结：效率与成本的权衡

先说说效果。GraphRAG确实有效，尤其适合处理关联性强的问题，配合Doc2X能很好地提取文档内容。但问题在于：

统计一下这两篇PDF：如果直接作为上下文输入，加起来总共52525 token。但构建阶段消耗了多少呢？

没错，133万输入token，34万输出token。好在用的是DeepSeek，总共只花了$0.28（约2元软妹币）。但如果换成OpenAI的模型，即使是最便宜的GPT-4o，也要$11.85（约86元）才能完成构建。

哪怕只是回答一个简单问题，也会消耗85293输入token和1848输出token。还好有DeepSeek这个性能足够又极其便宜的异类撑着。

同时，由于token消耗惊人，实际输出速度也非常慢。因此，现阶段很难把GraphRAG当作一个成熟的RAG解决方案来部署——它更像是一个验证方向可行性的DEMO。

---

效果展示

从这儿往下是实际效果的对比演示。测试问题：

GraphRAG（使用DeepSeek-Chat构建），global模式

GraphRAG（使用DeepSeek-Chat构建），local模式

Dify 对比

作为基准线，加入了Dify的结果。此处的Dify按标准流程配置，使用了带Rerank模型的完整RAG流程，提示词默认，未做改动。