为在本地环境中部署GraphRAG,需配置两种模型:一是用于实体提取与摘要的
LLM(大型语言模型)
,二是用于数据向量化的Embedding模型
。当前,GraphRAG采用的是OpenAI提供的模型,故部署的核心在于选用兼容OpenAI API标准的模型以实现替代。今天带大家一起沉浸式体验本地运行GraphRAG
,并且在支持中文
graph构建上做了一些优化改进
。
一、准备环境
-
Python3.10 (推荐)
-
Pycharm
-
Qwen2-72B-Instruct (LLM 模型)
-
bge-m3 (Embedding 模型)
-
Xinference (Embedding 模型部署平台)
-
3090 服务器 (Embedding 模型运行服务器)
二、pip安装
pip install graphrag
三、准备数据
首先,创建 input
目录:
mkdir -p ./ragtest/input
随后,将文本材料放到 input
目录下。注意 GraphRAG 仅支持 txt 文件,编码格式必须为 utf-8。我这里选用《红楼梦》中,林黛玉初入荣国府一节。
也可以使用官方提供的英文材料:
curl https://www.gutenberg.org/cache/epub/24022/pg24022.txt > ./ragtest/input/book.txt
四、初始化配置文件
首先,运行工作区初始化命令:
python -m graphrag.index --init --root ./ragtest
这一命令将在 ./ragtest
目录中创建两个文件:.env
和 settings.yaml
-
.env
包含运行 GraphRAG 管道所需的环境变量。如果检查该文件,您将看到定义的单个环境变量GRAPHRAG_API_KEY=<API_KEY>
。这是 OpenAI API 或 Azure OpenAI 终结点的 API 密钥。因为我们将要替换掉 OpenAI 模型,所以不用对其进行操作更改。 -
settings.yaml
包含管道的设置。我们需要在其中对两个模型的设置进行更改,这里截取更改了的 LLM 和 Embedding 部分:
llm: api_key: ${GRAPHRAG_API_KEY} type: openai_chat # or azure_openai_chat model: Qwen2-72B-Instruct model_supports_json: false max_tokens: 2000 # request_timeout: 180.0 api_base: http://11.0.0.1:8000/v1 # 根据部署的实际情况进行更改 tokens_per_minute: 30000 requests_per_minute: 30 top_p: 0.99 # top-p sampling embeddings: ## parallelization: override the global parallelization settings for embeddings async_mode: threaded llm: api_key: xinference type: openai_embedding model: bge-m3 api_base: http://10.0.0.1:9998/v1 # 根据部署的实际情况进行更改
其中,Embedding 模型用 Xinference 在 3090 服务器上运行了 bge-m3,部署和运行参考:Docker 镜像 — Xinference【https://github.com/alibaba/xinference】
另外,为了适配我们模型的参数,使得局部搜索有输出,需要把 local search
部分的 max_tokens
调小,可以选取 4000。
五、支持中文-优化改进
由于微软 GraphRAG 初始语言为英文,因此如果要运行中文文本,建议做出一定的改进措施。
- 优化1:
文档切分策略
替换 graphrag/index/verbs/text/chunk/strategies/tokens.py
即可。官方分块把文档按照 token 数进行切分,对于中文来说容易在 chunk 之间出现乱码,参考 Langchain-ChatChat 开源项目中用中文字符数进行切分。
由于篇幅过长,具体实现已放在云盘【若需要私信关键词:2024002**】**
- 优化2:
prompt优化
原本的四个 prompt 都由英文书写,并要求 LLM 使用英文输出。为了更好地运行中文内容,把四个 Prompt 翻译成中文,且要求中文输出。
由于篇幅过长,精心翻译的中文 prompt 文件已放在云盘【若需要私信关键关键词****:2024003**】**
六、索引构建
python -m graphrag.index --root ./ragtest
提示:All workflows completed successfully 后,即可进行查询。
七、测试查询
- global 全局查询:
python -m graphrag.query --root ./ragtest --method global "故事的主旨是什么?"
- local 本地查询:
python -m graphrag.query --root ./ragtest --method local "贾母对宝玉的态度怎么样?"
八、可视化
为了更直观地看到识别出的实体和社区,图谱可视化是必须的。使用下面可视化代码,直接替换输入目录为需要的 artifacts
目录即可。
由于篇幅过长,可视化代码实现已放在云盘【若需要私信我:2024004】
如何学习大模型 AI ?
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。