GraphRAG揭秘：构建层次化知识图谱的终极指南

GraphRAG揭秘：构建层次化知识图谱的终极指南

简介

现在的 RAG 检索增强生成是一种使用真实世界信息改进 LLM 输出的技术。

大多数 RAG 方法使用向量相似性作为搜索技术，叫 Baseline RAG 。

但是 RAG 提取的每个文档是独立的，没有显式的结构化关系。

检索出的文档可能缺乏上下文连接，并且依赖于语言模型的推理能力还有检索出的文档。

GraphRAG 是一种结构化的、分层的检索增强生成 ( RAG ) 方法，不同于使用纯文本片段的简单语义搜索方法。

GraphRAG 流程包括从原始文本中提取知识图谱、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。

微软在在这种情况下推出了 GraphRAG ，它通过将知识表示为图结构，捕捉更复杂的知识结构和关系，通过这种图结构，可以更容易地获取相关实体的上下文信息。

这样的图结构提供了更直观的知识表示，有助于理解模型的推理过程。也大幅提高了模型的推理问答性能。

一、环境安装

GraphRAG 依赖的 python 版本在 3.10-3.12 之间，执行下列命令：