基于 NebulaGraph ，构建属于你的 Graph RAG-CSDN博客

本文链接：https://blog.csdn.net/m0_59235245/article/details/140672153

自 2023 年 8 月 NebulaGraph 和 LlamaIndex 共同推出 [Graph RAG]以来，凭借着 **LLM（大语言模型）**和 **RAG（检索增强生成）**的发展势头，在业界掀起了一场革命。通过本文，我们将向你介绍什么是 Graph RAG，为什么它具有革命性，以及如何构建你的Graph RAG，来利用数据的上下文与 NebulaGraph 回答复杂的多部分问题。

>>>

了解日益流行的 Graph RAG

Graph RAG 能够将知识图谱与大语言模型（LLM）结合使用，从而为搜索引擎提供更全面的上下文理解。由于其带来了更具成本效益、更智能且精确的搜索结果，这项技术已引起了广泛的关注。除了提供更准确的回答以建立用户信任外，Graph RAG 还克服了传统搜索增强技术的主要障碍：缺乏上下文理解和数据训练。因此，这些先进的检索增强技术有望扩展到各个行业，如医疗诊断辅助、内容创作和推荐、互动游戏以及知识图谱构建。

微软在由高级首席数据架构师 Jonathan Larson 和首席项目经理 Steven Truitt 撰写的博客文章《GraphRAG: Unlocking LLM Discovery on Narrative Private Data》中强调了 Graph RAG 的重要性。他们通过将 Graph RAG 与基线 RAG 系统进行对比，展示了 Graph RAG 的有效性，得出结论认为 Graph RAG 方法使LLM能够在图谱中找到支点，从而提供包含原始支持文本的更优答案。而基线 RAG 在处理需要跨数据集汇总信息以形成答案的查询时则显得力不从心。

>>>

使用 NebulaGrpah 构建你的 Graph RAG

NebulaGraph 数据库已经集成了 LlamaIndex 和 LangChain 等大语言模型（LLM）框架；你只需专注于 LLM 编排逻辑和管道设计，无需担心复杂的实现。你可以通过简单的四个步骤进行试用，检查 Graph RAG 是否如传言般出色，然后再进一步将其集成到应用程序或其他场景中。

注意：

由于 LlamaIndex 的快速发展，最近的重构/重大变更导致一些 Graph RAG 教程无法运行。本文提供了更新后的 Graph RAG 教程，以便你可以无误地进行操作。

我们在上游发布之前已经探索了许多内部方法。我们相信 LlamaIndex 中Graph + RAG 的基本概念值得探索，因此我们将原始的工作坊和笔记本放在参考章节中。

设置你的 NebulaGraph 集群

通过 Google Colab 中的 NebulaGraph Lite 启动 NebulaGraph 集群
使用 Docker 扩展部署集群
实例化一个 NebulaGraphStore

import os``from llama_index.core import KnowledgeGraphIndex, SimpleDirectoryReader``from llama_index.core import StorageContext``from llama_index.graph_stores.nebula import NebulaGraphStore``   ``os.environ["NEBULA_USER"] = "root"``os.environ["NEBULA_PASSWORD"] = "nebula"``os.environ["NEBULA_ADDRESS"] = "127.0.0.1:9669"``   ``space_name = "paul_graham_essay"``edge_types, rel_prop_names = ["relationship"], ["relationship"]  # default, could be omit if create from an empty kg``tags = ["entity"]  # default, could be omit if create from an empty kg``   ``graph_store = NebulaGraphStore(`    `space_name=space_name,`    `edge_types=edge_types,`    `rel_prop_names=rel_prop_names,`    `tags=tags)`        `storage_context = StorageContext.from_defaults(graph_store=graph_store)

现在，随着你的 NebulaGraph 集群的设置，可以动手进行知识图谱构建部分。请确保在 Jupyter 环境中运行以下所有步骤。

依赖关系

Graph RAG 的实现需要以下依赖项：

pip install llama-index``pip install llama-index-llms-ollama``pip install llama-index-graph-stores-nebula``pip install ipython-ngql``pip install llama-index-embeddings-huggingface

创建 LlamaIndex 知识图谱索引

KnowledgeGraphIndex 可从非结构化文本中自动构建知识图谱，也可基于实体的查询。在创建图 RAG 查询引擎之前，你需要设置 LlamaIndex 知识图谱索引。在这个示例中，我们将演示如何通过创建文档对象来从文本数据构建知识图谱，然后再创建索引。

from llama_index.core import (`    `VectorStoreIndex,`    `SimpleDirectoryReader,`    `KnowledgeGraphIndex,``)``   ``graph_store.query("SHOW HOSTS")``   ``Settings.chunk_size = 512``   ``documents = SimpleDirectoryReader(`    `"data"``).load_data()

kg_index = KnowledgeGraphIndex.from_documents(`    `documents,`    `storage_context=storage_context,`    `max_triplets_per_chunk=10,`    `space_name=space_name,`    `edge_types=edge_types,`    `rel_prop_names=rel_prop_names,`    `tags=tags,`    `max_knowledge_sequence=15,``)

创建简单的图 RAG 检索器

最后一步是创建一个图 RAG 检索器，在此基础上将构建查询引擎，以便你可以使用自然语言问题进行查询。

from llama_index.core.query_engine import RetrieverQueryEngine``from llama_index.core.retrievers import KnowledgeGraphRAGRetriever``   ``graph_rag_retriever = KnowledgeGraphRAGRetriever(`    `storage_context=storage_context,`    `verbose=True,``)``   ``query_engine = RetrieverQueryEngine.from_args(`    `graph_rag_retriever,``)``response = query_engine.query("What's the relationship between Bob and Alice")

现在，你已经尝试了图 RAG，如果想进一步探索如何通过 GraphStore 和 VectorStore 进行检索，可以在这里找到更多演示示例：https://www.siwei.io/tutors/GraphRAG/101.html。

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。

在这里插入图片描述