GraphRAG框架总结：开启智能知识的全新时代

AI研思录

发布于 2025-02-20 14:40:58

13400

代码可运行

运行总次数：0

代码可运行

GraphRAG通过将传统的RAG（Retrieval-Augmented Generation）框架与图结构结合，利用知识图谱（KG）中的实体关系、社区结构及知识的关联性，提升了信息检索和生成的效果。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。

GraphRAG-微软开源的检索增强生成框架

Graph RAG（Graph Retrieval-Augmented Generation）是一种基于图的知识检索增强技术，它结合了知识图谱的广泛知识表示能力和大语言模型（LLM）的生成能力。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。

项目地址：https://github.com/microsoft/graphrag

论文地址：https://arxiv.org/pdf/2404.16130

微软 GraphRAG包括索引阶段和查询阶段两大环节：

索引阶段是整个流程中最复杂的部分，主要包含以下步骤：

文本块拆分：将原始文档拆分成多个文本块。
实体与关系提取：借助 LLM 对文本块进行分析，提取实体与关系。
生成实体与关系摘要：为提取的实体与关系生成简单的描述性信息，描述性信息会作为属性存放在实体或关系的图节点中。
检测与识别社区：使用社区检测算法，在图中识别多个社区。
生成社区摘要：利用 LLM 为每个社区生成摘要信息。

微软 GraphRAG 提供两种查询模式：

Local 模式：用于针对具体事实的提问。
Global 模式：用于支持全局型的查询任务，基于高层语义理解，回答概要性问题。

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。在实际测试中，使用《绿野仙踪》作为数据集，Fast GraphRAG 的成本仅为 0.08 美元，而传统 GraphRAG 则需要 0.48 美元，减少了 6 倍，同时准确率提升了 20%。更重要的是，这一创新使得 GraphRAG 能够实时更新和调整知识重要性，适应动态变化的信息环境。

项目地址：https://github.com/circlemind-ai/fast-graphrag?tab=readme-ov-file#quickstart

核心特点

知识的可解释性和可调试性：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。
高效、低成本、快速：针对大规模运行而设计，无需昂贵的资源投入。
数据动态性：自动生成和优化图形，以最佳方式适应特定领域和本体需求。
实时更新：支持数据变化的即时更新。
智能探索能力：采用基于PageRank的图形探索，提升准确性和可靠性。
异步和类型化设计：完全异步，并提供完整的类型支持，确保工作流程的稳健性和可预测性。

LightRAG

港大黄超团队最新开源的LightRAG，结合了图结构与双层检索机制，显著降低了大模型检索增强的成本，同时提升了信息检索的准确性和效率。首先，通过引入图结构，LightRAG能够更好地捕捉实体之间的复杂依赖关系，实现全面的信息理解。其次，其双层检索策略允许系统同时处理具体和抽象的查询，确保用户获得既相关又丰富的响应。此外，LightRAG具备快速适应新数据的能力，使其在动态环境中保持高效和准确。综合来看，这些优势使得LightRAG在处理复杂查询时表现出色，能够提供更具上下文相关性的答案。

论文地址：https://arxiv.org/abs/2410.05779

项目地址：https://github.com/HKUDS/LightRAG

GraphRAG-Local-UI：本地交互的GraphRAG

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。目标是提供一个易于使用且完全可配置的前端，可作为本地 LLM 的 GraphRAG 库的后端。

项目地址：https://github.com/severian42/GraphRAG-Local-UI

特点

自定义可视化：支持调整知识图谱的布局、节点大小、颜色等，以满足个性化需求。
灵活查询：支持全局查询、局部查询以及直接聊天查询，并可自定义参数。
日志记录：提供实时日志记录，便于调试和监控。
输出探索：用户可以浏览和查看索引的输出结果和生成的文件。
设置管理：通过用户界面轻松更新和管理 GraphRAG 的相关设置。
文件管理：支持从用户界面直接上传、查看、编辑和删除输入文件。
实时知识图谱可视化：使用 Plotly 实现知识图谱的 2D 或 3D 可视化。
交互式用户界面：提供友好的用户界面，用于管理数据、运行查询以及可视化结果。
成本优化：通过使用本地模型替代昂贵的云模型，降低运行成本。
本地模型支持：支持本地 LLM 和嵌入模型，包括与 Ollama 和 OpenAI 兼容的 API。
专用索引和提示词调优界面：基于 Gradio 的独立界面，用于管理索引和提示词调优流程。
API 中心架构：基于 FastAPI 构建的强大服务器，作为 GraphRAG 操作的核心。

KAG：大模型知识服务框架

蚂蚁发布的一个专业领域知识服务框架, 叫做知识增强生成(KAG：Knowledge Augmented Generation)，该框架旨在充分利用知识图谱和向量检索的优势，以解决现有 RAG 技术栈的一些挑战。

项目地址：https://github.com/OpenSPG/KAG

技术报告：https://arxiv.org/pdf/2409.13731

特点

知识与Chunk互索引结构，以整合更丰富的上下文文本信息
利用概念语义推理进行知识对齐，缓解OpenIE引入的噪音问题
支持Schema-Constraint知识构建，支持领域专家知识的表示与构建
逻辑符号引导的混合推理与检索，实现逻辑推理和多跳推理问答

nano-GraphRAG

nano-GraphRAG 的代码量大约只有 800行，除了测试和示例之外。短小精悍，易于扩展，支持异步操作，且完全采用类型注解。

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。实现了添加文档的全部流程，以及本地查询和全局查询的功能。实现的也比较简单，安装好依赖后，配置zhipu的api-key就可以直接运行。

项目地址：https://github.com/limafang/tiny-graphrag

from tinygraph.graph import TinyGraph
from tinygraph.embedding.zhipu import zhipuEmb
from tinygraph.llm.zhipu import zhipuLLM

emb = zhipuEmb("model name", "your key")
llm = zhipuLLM("model name", "your key")
graph = TinyGraph(
    url="your url",
    username="neo4j name",
    password="neo4j password",
    llm=llm,
    emb=emb,
)
#添加文档
graph.add_document("example/data.md")
#完成文档添加后，可以使用 TinyGraph 进行查询。TinyGraph 支持本地查询和全局查询：
local_res = graph.local_query("what is ML")
print(local_res)
global_res = graph.global_query("what is ML")
print(global_res)