- 综合排序
- 最热优先
- 最新优先
- 来自专栏喔家ArchiSelf
解读GraphRAG
什么是GraphRAG GraphRAG 是检索增强生成领域的一个重要进展。GraphRAG 不使用非结构化的文本，而是利用知识图谱的力量ーー实体的结构化表示、属性以及它们之间的关系。 1.2 GraphRAG 的主要特性 GraphRAG 已被证明可以显著提高生成文本的准确性和相关性，使其成为一个有价值的解决方案，用于准确、合理的实时答案。 GraphRAG 的主要特性如下： 结构化知识表示: GraphRAG 使用知识图谱来表示信息、捕获实体、关系和层次结构。 GraphRAG 的这些关键特性展示了它相对于传统 RAG 模型的优势，以及它在各种应用中革新检索增强生成的潜力。 2. GraphRAG 的应用场景 GraphRAG的应用场景非常广泛。 5.GraphRAG的实现示例 有很多种方法可以实现GraphRAG，例如， 采用微软开源的GraphRAG 解决方案。为了简化问题， 这里给出了两种参考实现的示例。
3K10编辑于 2024-11-25 - 来自专栏AgenticAI
从GraphRAG最新论文综述探究如何改进微软 GraphRAG
本文首先对论文进行简单介绍，然后对论文中 GraphRAG 提到的三个阶段进行分别介绍，探索当前业界都在尝试哪些方法优化 GraphRAG，以及有哪些较为流行的GraphRAG框架。 文章特别关注了 GraphRAG，这是一种利用实体间结构化信息的方法，以实现更精确和全面的检索。GraphRAG 通过考虑文本之间的相互联系，能够更准确地检索关系信息，应对复杂的多跳问题。 G-Indexing 索引 构建和索引图数据库是 GraphRAG 的基础，其中图数据库的质量直接影响 GraphRAG 的性能。图数据来源主要包括两类：开放知识图谱和自建知识图谱。 微软GraphRAG[2] Nebula 的GraphRAG[3] 蚂蚁集团的GraphRAG[4] Neo4j 的Nallm[5] Neo4j 的LLM Graph Builder[6] 总结 本文在通读该篇综述的基础上 ，解读了当前 GraphRAG 的主流研究方向，并对微软的 GraphRAG 框架可能实现的功能进行评说。
1.6K10编辑于 2025-03-18 - 来自专栏AgenticAI
GraphRAG如何配置处理csv文件
经常有粉丝朋友在群里问，GraphRAG怎么处理CSV文件啊？你会发现如果只是按照生成的settings.yaml模板配置，你是不可能成功的。 我已经建了一个LLM Agent应用和GraphRAG讨论群，如果希望进群交流的朋友，后台回复加群即可。 1. 配置csv文件输入 GraphRAG的索引输入代码位于graphrag/index/config/input.py，它目前支持加载csv文件和txt文本文件。 我最近为GraphRAG开发了一个流式服务器，并修改了部分GraphRAG代码，使之能够秒速输出内容，相比较之前使用命令行查询，动辄等待十几秒的，这体验提升的太明显了，丝滑～ 启动Web服务，然后下载cherry-studio 另外如果你有致力于了解GraphRAG，推荐你研读了解一下知识图谱的基本知识。 参考链接： cherry-studio: https://cherry-ai.com/
86100编辑于 2025-03-18 - 来自专栏AgenticAI
深入 GraphRAG 源码：文件摄入解析
微软的 GraphRAG 强大且灵活，越来越多开发者将其引入实际业务场景。但 GraphRAG 的原生功能距离企业级落地仍需大量定制化开发。 为此，我们启动了 GraphRAG 源码解析系列文章，帮助大家更高效地完成定制化开发。本篇将聚焦于文件摄取逻辑，为您揭开核心实现的关键细节。 1. 文件摄入 GraphRAG 官方当前仅支持 CSV 和 TXT 格式文件。如果需要支持 PDF、HTML、Markdown 等格式，您需要自行扩展文件读取逻辑。 GraphRAG 文件摄取的主入口位于 graphrag/index/input 目录，包含以下关键文件： - __init__.py - csv.py - load_input.py - text.py (txt|md)$" 这将允许 GraphRAG 读取 .md 文件，但要实现基于 Markdown 格式的分段，还需进一步开发 chunk 逻辑。
62110编辑于 2025-03-18 GraphRAG+neo4j实战
这一新增功能扩展了 GraphRAG 查询引擎，为本地搜索提供了更全面的选项，它利用社区洞察将查询细化为详细的后续问题。 部署Graphrag 安装 GraphRAG pip install graphrag RAG需要的txt格式的文件都要放入input文件夹下 mkdir -p . /ragtest/input 设置工作区 graphrag init --root . /ragtest 工作区.env文件下配置 GRAPHRAG_API_KEY=apikey GRAPHRAG_CLAIM_EXTRACTION_ENABLED=True 在setting.yaml下配置 common optional settings. ### For a full list of available settings, see https://microsoft.github.io/graphrag
81311编辑于 2025-06-27- 来自专栏马超的博客
GraphRAG访问模式和知识图谱建模
GraphRAG访问模式和知识图谱建模 graphrag.com[2]是一个开源项目，收集了围绕GraphRAG的相关资源，目前正在快速收集大家的投稿。 深入阅读这些文档将帮助大家将GraphRAG技术应用于实际项目，同时拓宽对图数据和知识图谱的理解。 什么是GraphRAG GraphRAG是基于知识图谱的检索增强生成（RAG）技术。 了解文本分块 文本文档可以是简短的（例如社交媒体帖子或评论），也可以是非常长的（例如书籍）。 访问模式和知识图谱建模 [2] graphrag.com: https://github.com/graphrag [3] Retrieval Patterns: https://graphrag.com /reference/graphrag/basic-retriever/ [4] Graph Shapes: https://graphrag.com/reference/knowledge-graph
37210编辑于 2025-02-21 - 来自专栏AI进修生
Fast GraphRAG：一个比 GraphRAG 更快、成本更低、更高效的RAG框架开源了（本地安装 & 测试）
向大家 分享一个非常有趣的 RAG 工具，它是基于 GraphRAG 的。 先说 GraphRAG 为什么如此受欢迎，并且看起来是任何生产级 GraphRAG 流水线的好选择呢？ 它有很多优点，最重要的一点是，GraphRAG 做到了普通 RAG 所无法实现的——它能够“连接点”。GraphRAG 通过将语义概念以节点和边的形式联系起来，从而对这些概念进行整体总结。 Fast GraphRAG 也是为了帮助解决这个问题，它能智能地适应你的使用案例、数据和查询。 这个 GraphRAG 有一个很有趣的特点，它提供了一个人类可导航的知识视图，可以精确地可视化和更新。 代码非常简单，首先我们导入 GraphRAG，然后设置领域（domain）。 这里有三件事需要注意：领域，它主要告诉你我们正在处理的是什么，影响整个最高层次的上下文； from fast_graphrag import GraphRAG DOMAIN = "Analyze this
1.2K10编辑于 2024-12-02 - 来自专栏AgenticAI
NLTK vs LLM：GraphRAG实体提取方法深度大比
书接上文《75% 成本和时间削减：优化微软 GraphRAG 索引的秘密》，我们在修复一些bug和缩减大量成本后，使得GraphRAG更易于使用。 这篇文章主要讨论了如何通过使用NLTK和LLM两种不同的方法来进行实体提取，以优化和比较在GraphRAG中的应用效果。 1. 总结 本文首先介绍了GraphRAG如何配置使用NLTK进行实体提取。接着展示了对英国作家狄更斯的小说《圣诞颂歌》使用NLTK进行实体提取的测试。 下一篇，我们将展示如何使用neo4j来处理、分析和可视化GraphRAG的索引结果。 参考资料 [1] PR: https://github.com/microsoft/graphrag/pull/522
54300编辑于 2025-03-18 - 来自专栏AI进修生
轻巧、强大，GraphRAG的进化版
我们以前介绍了HybridRAG、GraphRAG这些，今天我们将介绍一个崭新的RAG项目：LightRAG。 现有的RAG系统老是搞不清复杂关系，答案经常被切碎，缺乏上下文，难以真正理解问题。 LightRAG在四个数据集/评估维度上都显示出了显著的改进，效果优于GraphRAG、NaiveRAG、RQ-RAG 、HyDE。 ▲ 在四个数据集和四个评估维度下，基线与LightRAG的胜率（%）对比 LightRAG 的代码结构基于nano-graphrag，一个更小、更快的GraphRAG。
6.7K10编辑于 2024-12-02 - 来自专栏AI进修生
GraphRAG：终极 RAG 引擎 - 语义搜索、嵌入、矢量搜索等等！
那么，GraphRAG和传统的基准RAG系统有何不同呢？ GraphRAG结合了图结构和RAG，它将文本提取、网络分析、大型语言模型的提示和摘要整合成一个强大的系统。 现在我们了解了RAG和GraphRAG的基本概念，接下来我将展示如何开始使用GraphRAG，并了解其一些功能。 GraphRAG 项目 使用 GraphRAG Accelerator 解决方案 微软研究博客文章 阅读文档 GraphRAG 发表的论文 简介 GraphRAG 是一个旨在利用大语言模型（LLMs 责任 AI 常见问题 请参阅 RAI_TRANSPARENCY.md 了解以下内容： • GraphRAG 是什么？ • GraphRAG 能做什么？ • GraphRAG 的预期用途是什么？ • GraphRAG 如何评估？使用了哪些性能指标？ • GraphRAG 的局限性是什么？用户如何将其影响降到最低？ • 哪些操作因素和设置有助于 GraphRAG 的有效和负责任使用？
2.5K10编辑于 2024-12-02 - 来自专栏小七的各种胡思乱想
GraphRAG真的是Silver Bullet？
这一章我们介绍GraphRAG范式，算着时间也是该到图谱了，NLP每一轮新模型出来后，往往都是先研究微调，然后各种预训练方案，接着琢磨数据，各种主动学习半监督，弱监督，无监督，再之后就到图谱和对抗学习~ 所以这一章我们来聊聊GraphRAG的实现和具体解决哪些问题。Graph RAG和Naive RAG的效果对比我们先基于Deepset提供的Graph RAG的demo来看几个效果对比。 所以不同Graph RAG论文的差异也主要就在以上三个部分的不同实现和排列组合，下面我们看下微软GraphRAG的具体实现。 entity_types}]text: {{input_text}}######################output:"""使用以上Promtp抽取出的实体结果如下有了实体三元组，就可以直接进行图谱构建了，这里graphrag 这里我们只看下lightrag和graph rag的核心差异点：对图索引的构建和图信息召回在图谱构建的环节二者基本是一致的，差异在于LightRAG为了构建召回索引，在graphRAG抽取实体和关系的Prompt
84320编辑于 2025-09-26 - 来自专栏AgenticAI
GraphRAG手调Prompt提取自定义实体
GraphRAG在使用Prompt-Tune根据领域自动生成的实体总是不理想怎么办？这个时候就需要手动调整啦，当然我们还需要借助ChatGPT类的助手帮助我们生成一些Example。 1. 手调Prompt 话不多说，进入正题，上文《GraphRAG失效？ python -m graphrag.prompt_tune --root . 从测试结果来看，相比前文《GraphRAG失效？快用Prompt Tune适配文档的领域和语言》可以说是本质的提升。
64311编辑于 2025-03-18 - 来自专栏AgenticAI
graphrag-server 重大更新：v1.1.2 正式发布！
微软官方 graphrag 自版本 0.4.0 以来进行了大规模的重构，如今已经迭代到 v1.1.2。graphrag-server 上一版一直停留在 v0.4.0。 以下是自 0.4.0 以来的重大功能更新，也是本次 graphrag-server 更新将要支持的功能，跟进 graphrag 最新重构。 为更好兼容官方 graphrag 的重构，并减少合并冲突， graphrag-server v1.1.2 对代码进行了重构，开源地址： https://github.com/KylinMountain/ graphrag-server 主要改动如下所示。 移除嵌入的 graphrag 源码 改为通过 pip 安装 graphrag 依赖。 大幅简化代码维护流程，降低复杂性。 3.
34810编辑于 2025-03-18 - 来自专栏AgenticAI
Docker一键安装GraphRAG-server简明教程
graphrag-server本次更新带来Docker安装，除此之外也支持直接使用pip安装依赖，不再使用peotry。 graphrag-server 的开源github地址：https://github.com/KylinMountain/graphrag-server 视频提到的命令 索引 docker run - /lancedb:/app/lancedb -p 20213:20213 kylinmountain/graphrag-server:0.3.1 python -m graphrag.index --root docker tag 拷贝的image_id kylinmountain/graphrag-server:0.3.1 此外Windows用户要注意命令这么写： docker run --platform \lancedb:/app/lancedb -p 20213:20213 kylinmountain/graphrag-server:0.3.1 python -m graphrag.index --root
54311编辑于 2025-03-18 - 来自专栏AI研思录
GraphRAG框架总结：开启智能知识的全新时代
微软的GraphRAG发布后，也涌现了很多轻量化的版本，这篇文档对GraphRAG的框架做一个总结，也会陆续不断更新。 Fast-GraphRAG:微软推出高效的知识图谱检索框架 Fast GraphRAG 通过融合 PageRank 算法，不仅提高了知识检索的效率和精准度，还大大降低了运营成本。 GraphRAG-Local-UI这是微软 GraphRAG的一个改编版本，专为支持本地模型并具有全面的交互用户界面而设计。 项目地址：https://github.com/gusye1234/nano-graphrag Tiny-Graphrag Tiny-Graphrag 是一个简洁版本的 GraphRAG 实现，旨在提供一个最简单的 GraphRAG 系统，包含所有必要的功能。
1.3K10编辑于 2025-02-20 - 来自专栏AgenticAI
75% 成本和时间削减：优化微软 GraphRAG 索引的秘密
书接上回《实战微软新一代RAG：GraphRAG强大的全局理解能力，碾压朴素RAG？》，想必大家都知道我最近在测试GraphRAG，由于其惊人的理解能力，我一直在探索。 这个Prompt非常长，而且我发现GraphRAG里的Prompt提示词好多都有重复。 而GraphRAG设定的默认chunk size为300，overlap是100，这意味着什么？ 参考资料 [1] PR: https://github.com/microsoft/graphrag/pull/405 [2] PR: https://github.com/microsoft/graphrag /graphrag/pull/487
1.1K01编辑于 2025-03-18 GraphRAG揭秘：构建层次化知识图谱的终极指南
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。 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：bash 体验AI代码助手 代码解读复制代码 pip install graphrag下载一个语料数据集 二、graphRAG 使用第一步先完成 GraphRAG 初始化：bash 体验AI代码助手 代码解读复制代码 python -m graphrag.index --init --root . GraphRAG 在回答上述问题时显示出显著的改进，展示了比以前应用于私有数据集的方法更高的智能的掌握能力。 三、总结上面就是使用 GraphRAG基本流程，完成的步骤主要就是提取+嵌入，跟之前的rag很类似，GraphRAG 结合了知识图谱和 RAG 。
53210编辑于 2025-08-27知识图谱切片片段：GraphRAG助力精准知识问答
什么是GraphRAG？GraphRAG是一种基于知识图谱的增强生成模型。它利用知识图谱的结构化信息来指导生成式模型的文本生成过程，从而提高生成文本的准确性和相关性。 GraphRAG的工作流程：问题理解: GraphRAG首先对用户提出的问题进行语义理解，提取其中的关键词和意图。图谱检索: 根据提取的关键词，在知识图谱中检索相关的实体和关系，并构建切片片段。 GraphRAG的优势：精准性: 通过切片片段精准定位关键信息，避免无关信息的干扰，提高答案的准确性。可解释性: GraphRAG的推理过程基于知识图谱的结构化信息，具有较高的可解释性。 可扩展性: GraphRAG可以方便地扩展到不同的领域和知识图谱。 未来，随着技术的不断发展，GraphRAG有望在更多领域得到应用，例如智能客服、知识推荐、辅助决策等。
49110编辑于 2025-04-24- 来自专栏AgenticAI
深入实战 HippoRAG2：高效索引、查询与 GraphRAG 对比解析
最后，我们将索引小说《仙逆》，并与我们早期测试GraphRAG的文章《实战微软新一代RAG》在相同问题上的表现进行对比。 1. 查询 hipporag2的查询方法目前只支持一组查询语句，因此我们参考文章《实战GraphRAG》的测试问题集，对《仙逆》进行查询。 从问答效果来看，前面三个问题回答都是对的，而当时GraphRAG没能回答正确关于王林和铁柱的关系。而HippoRAG不仅解释了是他的小名，还解释了小名的由来，回答比较完整和丰富。 all_queries, gold_docs=gold_docs, gold_answers=gold_answers) 总结 本文介绍了 HippoRAG2 的安装、配置、索引、查询及评估流程，并与 GraphRAG
1.2K20编辑于 2025-03-18 - 来自专栏马超的博客
使用Neo4j和LangChain实现“Local to Global”的GraphRAG
本篇文章是基于这些项目基础上，使用 Neo4j 和 Langchain 单独实现的“从本地到全局”的 GraphRAG，可以理解为将 Microsoft GraphRAG 社区摘要的功能单独添加到 LLM 我们将主要介绍知识图谱的构建和摘要部分，基于 GraphRAG 的检索应用在下一篇博客文章会具体介绍。微软的研究人员同时提供了Microsoft GraphRAG[7]的项目页面。 Microsoft在GraphRAG论文中实现的高级索引管道 — 图片来自论文作者 在非常高的级别上，GraphRAG 管道的输入是包含各种信息的源文档。 流程中的步骤 — 图片来自GraphRAG 论文，根据 CC BY 4.0 许可 下面是使用 Neo4j 和 LangChain 复现 Microsoft GraphRAG 方法的具体步骤，本文涉及的实验代码 -73924cc5bab4 [6] From Local to Global GraphRAG: https://arxiv.org/abs/2404.16130 [7] Microsoft GraphRAG
5.1K30编辑于 2024-07-15
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号