Fast GraphRAG：微软推出高效的知识图谱检索框架，结合了知识图谱和 RAG 技术

最新推荐文章于 2025-04-08 10:09:22 发布

蚝油菜花

最新推荐文章于 2025-04-08 10:09:22 发布

阅读量1.1k

点赞数 27

分类专栏：每日 AI 项目与应用实例文章标签： microsoft 知识图谱人工智能开源

本文链接：https://blog.csdn.net/qq_19841021/article/details/143495839

版权

每日 AI 项目与应用实例专栏收录该内容

659 篇文章

订阅专栏

❤️ 如果你也关注大模型与 AI 的发展现状，且对大模型应用开发非常感兴趣，我会快速跟你分享最新的感兴趣的 AI 应用和热点信息，也会不定期分享自己的想法和开源实例，欢迎关注我哦！

🥦 微信公众号｜搜一搜：蚝油菜花 🥦

🚀 快速阅读

Fast GraphRAG 是微软推出的一款高效的知识图谱检索框架。
它结合了 RAG 技术和知识图谱，支持动态数据生成、实时数据更新和智能探索。
框架设计考虑大规模运行的需求，支持异步处理和类型安全操作。

正文（附运行示例）

Fast GraphRAG 是什么

在这里插入图片描述

Fast GraphRAG 是微软推出的一款高效的知识图谱检索框架，旨在提供可解释性和高精度的代理驱动检索工作流。它结合了检索增强生成（RAG）技术和知识图谱，提升大型语言模型（LLMs）在处理私有数据和复杂数据集时的性能。Fast GraphRAG 无缝融入检索管道，提供高级 RAG 的强大功能，无需构建和设计 Agent 工作流程的开销。具备可解释和可调试的知识、快速、低成本、高效的特性，支持动态数据和增量更新。

Fast GraphRAG 的主要功能

知识图谱可视化查询：支持用户在知识图谱上进行可视化查询，使数据检索和更新过程更加直观和易于管理。
动态数据生成：支持动态数据生成，自动优化和生成图表，适应不同领域和本体的需求。
实时数据更新：支持数据变化时的实时更新，确保信息的时效性和准确性。
智能探索：基于 PageRank 的图形探索技术，提高检索的准确性和可靠性。
异步和类型化操作：完全异步，具有完整的类型支持，使工作流程更加强大和可预测。
可扩展性：框架设计考虑大规模运行的需求，无需大量的资源或成本。

Fast GraphRAG 的技术原理

图形结构：Fast GraphRAG 用图形结构表示和存储知识，节点代表实体，边代表实体间的关系。
检索增强生成（RAG）：结合检索（Retrieval）和生成（Generation）的技术，检索相关知识增强生成的内容。
PageRank 算法：用 PageRank 算法进行智能探索，一种基于图的排名算法，用于评估节点的重要性。
异步处理：支持异步处理，在不阻塞主线程的情况下执行任务，提高效率。
类型系统：框架具有完整的类型系统，支持类型安全的操作，确保数据的一致性和准确性。

如何运行 Fast GraphRAG

安装

从 PyPi 安装（推荐）

pip install fast-graphrag

从源码安装

# 克隆仓库
git clone https://github.com/circlemind-ai/fast-graphrag
cd fast-graphrag
poetry install

快速启动

设置 OpenAI API 密钥：

export OPENAI_API_KEY="sk-..."

下载《圣诞颂歌》的文本文件：

curl https://raw.githubusercontent.com/circlemind-ai/fast-graphrag/refs/heads/main/mock_data.txt > ./book.txt

使用以下 Python 代码示例：

from fast_graphrag import GraphRAG

DOMAIN = "分析这个故事并识别角色。重点关注他们如何互动、探索的地点以及他们的关系。"

EXAMPLE_QUERIES = [
    "《圣诞颂歌》中圣诞节前夕的意义是什么？",
    "维多利亚时代的伦敦背景如何影响故事的主题？",
    "描述导致斯克鲁奇转变的一系列事件。",
    "狄更斯是如何利用不同的幽灵（过去、现在和未来）来引导斯克鲁奇的？",
    "狄更斯为什么选择将故事划分为‘章’而不是章节？"
]

ENTITY_TYPES = ["Character", "Animal", "Place", "Object", "Activity", "Event"]

grag = GraphRAG(
    working_dir="./book_example",
    domain=DOMAIN,
    example_queries="\n".join(EXAMPLE_QUERIES),
    entity_types=ENTITY_TYPES
)

with open("./book.txt") as f:
    grag.insert(f.read())

print(grag.query("谁是斯克鲁奇？").response)