最近尝试把《红楼梦》接入大模型(LLM),用于打造知识检索增强的智能体-红楼解读大师,效果一直不太理想。
今天发现一个 GitHub 高赞项目 - GraphRAG,微软开源,首先通过 LLM 进行实体提取、关系提取,将知识库构建成知识图谱,然后再基于知识图谱,利用 LLM 回答用户问题。
不禁感叹,知识库原来还可以这么玩,实操一番后,今天分享给大家!
温馨提醒:GraphRAG 的 Token 消费量非常大,已实现 Token 自由的小伙伴可无视。
1. GraphRAG 是什么
官方介绍:GraphRAG 是一种结构化、分层的检索增强生成 (RAG) 方法,与使用纯文本片段的朴素语义搜索方法不同。 GraphRAG 的处理流程包括从原始文本中提取知识图、构建社区层次结构、为这些社区生成摘要,然后在执行基于 RAG 的任务时利用这些结构。
大白话解释一下:GraphRAG 是一个数据转换套件,旨在利用 LLM 从非结构化文本中提取有价值的结构化数据,进而构建成知识图谱。
啥是图谱?
图谱有两个最重要的概念:节点和边。
比如在知乎:你和猴哥都是一个节点,你关注猴哥就构成一条边,你给猴哥点赞也构成一条边,你我和构成的边,都是图谱的一部分。
发布至今,已有 15.9K Star,并且项目还在持续迭代中。
2. 安装使用
首先,Python 虚拟环境中一键安装:
代码解读
复制代码
pip install graphrag
然后,创建一个项目文件夹 - graphrag
,然后在其中新建 input
文件夹,用于存放知识库数据:
bash
代码解读
复制代码
mkdir graphrag
mkdir graphrag/input
把你的知识库文件夹装入 graphrag/input
后,一键初始化项目:
css
代码解读
复制代码
python -m graphrag.index --init --root graphrag/
这一步,如果遇到如下报错:
javascript
代码解读
复制代码
from past.utils import old_div
ModuleNotFoundError: No module named 'past'
提示缺少past
模块,future
库提供了向后兼容的接口。安装future
,即可确保程序正常。
arduino
代码解读
复制代码
pip install future
给大家看下,初始化成功后,我的项目目录:
bash
代码解读
复制代码
graphrag/
├── .env
├── input
│ └── 红楼梦.txt
├── prompts
│ ├── claim_extraction.txt
│ ├── community_report.txt
│ ├── entity_extraction.txt
│ └── summarize_descriptions.txt
└── settings.yaml
这里主要有两个配置文件需要修改:
其中:
.env
中填入要采用的大模型的 api_keysettings.yaml
中主要修改 llm 和 embedding 相关信息,比如大模型名称和 api 地址。
注意:这里的 LLM API 需要兼容 OpenAI 格式;这里我选用 siliconflow 中免费的 llm 和 embedding 给大家做展示。如果需要在 Gephi 等软件中查看图谱的 graphml 文件,也可以设置:graphml: true
。
prompts
文件夹是整个项目中用到的提示词,非常重要,决定了最终图谱的质量,不过可以先保持官方的默认值,试试看,不行再来调整!
配置完成后,一键开启构建索引:
css
代码解读
复制代码
python -m graphrag.index --root graphrag/
下图日志显示,开始切割文本了:
开始提取实体:
注:满纸荒唐言
的《红楼梦》共计 73w 字,所以处理时间比较长,大家也可以先用一个简单的例子快速跑通流程。
3. 踩坑预警
实际跑的时候,还是踩了一些坑,有必要也跟大家分享一下。
踩坑 1:
如果中途因为上游 LLM 速率限制,报错了,可以在环境变量中设置一下timestamp
,接着之前的任务继续跑:
踩坑 2:siliconflow 免费版 embedding 限速严重。
尝试了siliconflow 的多个 embedding 模型,哪怕并发改到1,依然无法完成任务。
为此尝试了以下两种 embedding 方案:
- 本地 ollama 模型:run 了下面这个
snowflake-arctic-embed
模型,但 Ollama 的嵌入模型居然不兼容 OpenAI 格式,果断放弃。关于如何用 Ollama 跑本地大模型,可以围观教程:Ollama 部署和实战,看这篇就够了
bash
代码解读
复制代码
ollama rm snowflake-arctic-embed
- 智谱 AI 的 embedding-2:因为我已接入了 OneAPI,所以可以通过 OpenAI 格式调用,我把 batch_size 调整为 1,才终于搞定 embedding。 关于如何使用 OneAPI,可以围观教程:OneAPI-接口管理和分发神器。
4. 图谱展示
耗时数小时,终于把一本《红楼梦》的知识图谱构建完毕,总计完成以下几个任务:
java
代码解读
复制代码
⠧ GraphRAG Indexer
├── Loading Input (text) - 1 files loaded (0 filtered) ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 100% 0:00:00 0:00:00
├── create_final_entities
├── create_final_nodes
├── create_final_communities
├── join_text_units_to_entity_ids
├── create_final_relationships
├── join_text_units_to_relationship_ids
├── create_final_community_reports
├── create_final_text_units
├── create_base_documents
└── create_final_documents
🚀 All workflows completed successfully.
怎么查看生成的节点和边?
生成结果保存在artifacts/
文件夹下, 均为.parquet
文件。
为了在 vscode 中查看 .parquet
,需要先安装一个插件 parquet-viewer
,安装成功后,会自动将 .parquet
展示为 json,非常方便!
给大家展示一下生成的节点,最终描述都是英文,类型也有不少错误,看来提示词还是得重新搞成中文!
生成的边:
这效果,比简单的段落切分,强太多了!
5. 考考它吧
专为《红楼梦》打造的知识图谱,终于搞定了!
我们来考考它,graphrag 提供了两种检索方式。
- 局部检索:基于实体进行推理,结合来自图的结构化数据和来自文档的非结构化数据,在查询时,用相关实体信息增强 LLM 上下文。适合回答需要了解特定实体的问题(例:“洋甘菊的治疗特性是什么?”)。
- 全局检索:基于数据集进行推理,将私有数据集组织成有意义的语义集群。LLM在响应用户查询时使用这些集群来总结这些主题。
此外,基于这个图谱,还可以让 LLM 帮你生成关于该数据集的各种问题!
5.1 几个例子
全局检索-红楼梦的主题是什么
?
csharp
代码解读
复制代码
python -m graphrag.query --root graphrag --method global "红楼梦的主题是什么?"
回答展示:
markdown
代码解读
复制代码
SUCCESS: Global Search Response:
《红楼梦》的主题涵盖了多个方面,主要包括:
1. **家族衰败**:小说以贾、王、史、薛四大家族的兴衰为背景,展现了封建社会的腐朽和衰落。通过家族的兴衰史,揭示了封建社会的种种矛盾和问题 [Data: Reports (385, 205, 538, 420, 434, 596, 159, 480, 314, 421, 431, 148, 41, 439, 136, 136), (614, 358, 433, 78, 649, 654, 269, 616, 9, 360, 25, 549, 659, 93, 595), (476, 295, 553, 543, 611, 320, 134, 370, 364, 31, 8, 673, 99, 432, 218), (516, 442, 495, 672, 552, 665, 551, 77, 147, 132, 5, 492, 162, 312), (511, 494, 359, 372, 268, 371, 210, 216, 144, 597, 592, 668, 474, 664, 143, 427)]。
2. **人性探讨**:小说深入探讨了人性的复杂性和矛盾,如贾宝玉的叛逆、林黛玉的多愁善感等,展现了人性的光辉与阴暗 [Data: Reports (205, 434, 596, 159, 480, 314, 421, 431, 148, 41, 439, 136), (554, 417, 484, 300, 504, 375, 536, 156, 280, 435, 671, 272, 285, 11), (546, 637, 195, 612, 657, 544, 670, 278, 559, 386, 145, 304, 266, 666), (516, 442, 495, 672, 552, 665, 551, 77, 147, 132, 5, 492, 162, 312), (511, 494, 359, 372, 268, 371, 210, 216, 144, 597, 592, 668, 474, 664, 143, 427)]。
3. **社会批判**:小说对封建礼教、官场腐败、社会不公等进行了深刻的批判,具有强烈的社会意义 [Data: Reports (385, 205, 538, 420, 434, 596, 159, 480, 314, 421, 431, 148, 41, 439, 136), (614, 358, 433, 78, 649, 654, 269, 616, 9, 360, 25, 549, 659, 93, 595), (476, 295, 553, 543, 611, 320, 134, 370, 364, 31, 8, 673, 99, 432, 218), (516, 442, 495, 672, 552, 665, 551, 77, 147, 132, 5, 492, 162, 312), (511, 494, 359, 372, 268, 371, 210, 216, 144, 597, 592, 668, 474, 664, 143, 427)]。
4. **爱情与婚姻**:小说中的爱情与婚姻关系错综复杂,反映了当时社会的婚姻制度和家庭观念 [Data: Reports (385, 205, 538, 420, 434, 596, 159, 480, 314, 421, 431, 148, 41, 439, 136), (614, 358, 433, 78, 649, 654, 269, 616, 9, 360, 25, 549, 659, 93, 595), (476, 295, 553, 543, 611, 320, 134, 370, 364, 31, 8, 673, 99, 432, 218), (516, 442, 495, 672, 552, 665, 551, 77, 147, 132, 5, 492, 162, 312), (511, 494, 359, 372, 268, 371, 210, 216, 144, 597, 592, 668, 474, 664, 143, 427)]。
5. **哲学思考**:小说还探讨了人生、命运、爱情、婚姻、家族关系等主题,展现了人性的复杂性和社会的残酷现实 [Data: Reports (629, 613), (614, 358, 433, 78, 649, 654, 269, 616, 9, 360, 25, 549, 659, 93, 595), (476, 295, 553, 543, 611, 320, 134, 370, 364, 31, 8, 673, 99, 432, 218), (516, 442, 495, 672, 552, 665, 551, 77, 147, 132, 5, 492, 162, 312), (511, 494, 359, 372, 268, 371, 210, 216, 144, 597, 592, 668, 474, 664, 143, 427)]。
综上所述,《红楼梦》是一部深刻反映封建社会末期社会矛盾和人物命运的史诗性作品,其主题丰富多样,具有极高的文学价值和历史意义
局部查询-刘姥姥进大观园时带了谁
?
bash
代码解读
复制代码
python -m graphrag.query --root graphrag --method local "刘姥姥进大观园时带了谁"
回答展示:
diff
代码解读
复制代码
SUCCESS: Local Search Response:
刘姥姥进入大观园时,并没有携带其他人。根据提供的数据,我们可以看到与刘姥姥相关的记录中,并没有提及她带了其他人一同进入大观园。具体来说:
- 在“Entities”表中,关于刘姥姥的条目(id: 967)中,描述了她是来自贾家外部的村民,以她的朴素和谦逊著称,并在贾家寻求帮助。然而,该描述并未提及她带了其他人。
- 在“Relationships”表中,也没有任何记录表明刘姥姥带了其他人进入大观园。
因此,根据现有数据,我们可以得出结论:刘姥姥进入大观园时,并没有携带其他人。
全局查询-刘姥姥进大观园时带了谁
?
csharp
代码解读
复制代码
python -m graphrag.query --root graphrag --method global "刘姥姥进大观园时带了谁"
回答展示:
sql
代码解读
复制代码
SUCCESS: Global Search Response:
刘姥姥进大观园时,带了她的孙子板儿。这一信息在多份分析师报告中得到了确认,包括报告编号104、656和546。根据这些报告,可以确定板儿是刘姥姥的孙子,且在刘姥姥进入大观园时,孙子板儿与她一同前往。目前的数据表中并未提及刘姥姥是否带了其他人员一同进入大观园,因此可以推断,此次陪同刘姥姥进入大观园的只有她的孙子板儿。
写在最后
不得不说 GraphRAG
是个宝藏项目,本文通过一个简单的案例,带你快速上手 GraphRAG
,希望给饱受传统 RAG 困扰的小伙伴一点启发。
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。
😝有需要的小伙伴,可以Vx扫描下方二维码免费领取🆓
![](https://img-blog.csdnimg.cn/img_convert/ac9760a0705d6d4d067a2eda9fca0aaa.jpeg)
👉1.大模型入门学习思维导图👈
要学习一门新的技术,作为新手一定要先学习成长路线图,方向不对,努力白费。
对于从来没有接触过AI大模型的同学,我们帮你准备了详细的学习成长路线图&学习规划。可以说是最科学最系统的学习路线,大家跟着这个大的方向学习准没问题。(全套教程文末领取哈)
👉2.AGI大模型配套视频👈
很多朋友都不喜欢晦涩的文字,我也为大家准备了视频教程,每个章节都是当前板块的精华浓缩。
👉3.大模型实际应用报告合集👈
这套包含640份报告的合集,涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师,还是对AI大模型感兴趣的爱好者,这套报告合集都将为您提供宝贵的信息和启示。(全套教程文末领取哈)
👉4.大模型落地应用案例PPT👈
光学理论是没用的,要学会跟着一起做,要动手实操,才能将自己的所学运用到实际当中去,这时候可以搞点实战案例来学习。(全套教程文末领取哈)
👉5.大模型经典学习电子书👈
随着人工智能技术的飞速发展,AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型,如GPT-3、BERT、XLNet等,以其强大的语言理解和生成能力,正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。
👉6.大模型面试题&答案👈
截至目前大模型已经超过200个,在大模型纵横的时代,不仅大模型技术越来越卷,就连大模型相关的岗位和面试也开始越来越卷了。为了让大家更容易上车大模型算法赛道,我总结了大模型常考的面试题。
这份完整版的大模型 AI 学习资料已经上传CSDN,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费
】
😝有需要的小伙伴,可以Vx扫描下方二维码免费领取🆓
![](https://img-blog.csdnimg.cn/img_convert/ac9760a0705d6d4d067a2eda9fca0aaa.jpeg)