基于 GraphRAG 构建知识图谱增强 LLM 检索：以《红楼梦》为例
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，效果一直不太理想。传统 RAG 主要依赖向量相似度搜索，在处理复杂关系推理时往往力不从心。
今天发现一个 GitHub 高赞项目 - GraphRAG，微软开源。它首先通过 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。这种结构化数据的方式显著提升了推理能力。
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。
1. GraphRAG 是什么
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
环境准备
首先，在 Python 虚拟环境中一键安装：
pip install graphrag
然后，创建一个项目文件夹 graphrag，并在其中新建 input 文件夹，用于存放知识库数据：
mkdir graphrag
mkdir graphrag/input
把你的知识库文件（如 红楼梦.txt）装入 graphrag/input 后，一键初始化项目：
python -m graphrag.index --init --root graphrag/
这一步，如果遇到如下报错：
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：
pip install future
项目目录结构
初始化成功后，项目目录结构如下：
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：
.env中填入要采用的大模型的api_key。settings.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。如果需要在 Gephi 等软件中查看图谱的 graphml 文件，可以在配置中设置 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。可以先保持官方的默认值，试试看，不行再来调整！
构建索引
配置完成后，一键开启构建索引：
python -m graphrag.index --root graphrag/
日志显示，开始切割文本，随后进入实体提取阶段。
注：《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，有必要跟大家分享一下。
踩坑 1：任务中断续传
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 timestamp，接着之前的任务继续跑，避免重复计算。
踩坑 2：Embedding 模型限速与兼容性
免费版 embedding 限速严重。尝试了多个 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：运行了
snowflake-arctic-embed模型，但 Ollama 的嵌入模型居然不兼容 OpenAI 格式，果断放弃。 - 智谱 AI 的 embedding-2：因为接入了 OneAPI，可以通过 OpenAI 格式调用，我把
batch_size调整为 1，才终于搞定 embedding。
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：
⠧ 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.
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！
生成的边显示了实体之间的关联关系。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（Local Search）：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（Global Search）：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。适合宏观理解整个数据集的内容。
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，辅助探索性分析。
5.1 几个例子
全局检索 - 红楼梦的主题是什么？
python -m graphrag.query --root graphrag --method global "红楼梦的主题是什么？"
回答展示：
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。
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。
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。
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。
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。
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。
局部查询 - 刘姥姥进大观园时带了谁？
python -m graphrag.query --root graphrag --method local "刘姥姥进大观园时带了谁"
回答展示：
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。
全局查询 - 刘姥姥进大观园时带了谁？
python -m graphrag.query --root graphrag --method global "刘姥姥进大观园时带了谁"
回答展示：
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。
6. 性能优化与最佳实践
Token 消耗管理
GraphRAG 的 Token 消费量非常大，尤其是在实体提取和社区报告生成阶段。已实现 Token 自由的小伙伴可无视，但对于普通开发者，建议先在小规模数据上测试成本。
提示词调优
prompts 文件夹中的提示词决定了最终图谱的质量。如果发现生成的节点描述不准确或语言不符合预期（如本例中生成的英文描述），可以尝试修改 entity_extraction.txt 等文件，强制要求输出中文或特定的格式。
可视化分析
生成的 .graphml 文件可以使用 Gephi 等工具进行深度可视化分析，帮助发现数据中的隐藏模式。这对于理解大规模知识库的结构非常有帮助。
7. 总结
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。相比传统 RAG，GraphRAG 通过引入知识图谱结构，显著增强了模型对复杂关系和全局信息的理解能力。
希望给饱受传统 RAG 困扰的小伙伴一点启发，在实际业务场景中，可以根据需求灵活选择局部检索或全局检索策略，以达到最佳的问答效果。