基于 GraphRAG 打造知识图谱增强的 LLM：以解读《红楼梦》为例

在构建大模型（LLM）知识库检索增强生成（RAG）智能体时，传统的纯文本切片方法往往难以处理复杂的关系推理。微软开源的 GraphRAG 项目提供了一种新的思路：通过 LLM 提取实体和关系，构建知识图谱，再基于图谱结构进行检索。本文将详细介绍如何部署 GraphRAG，并以《红楼梦》为例展示其效果。

注意：GraphRAG 对 Token 消耗较大，且索引构建耗时较长，请确保有足够的计算资源。

1. GraphRAG 简介

1.1 核心概念

GraphRAG 是一种结构化、分层的检索增强生成方法。与使用纯文本片段的朴素语义搜索不同，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。

简单来说，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。

图谱的核心概念包括：

节点（Node）：代表实体，如人物、地点、组织。
边（Edge）：代表关系，如'属于'、'位于'、'认识'。

1.2 官方资源

GitHub 项目地址：https://github.com/microsoft/graphrag
官方文档：https://microsoft.github.io/graphrag/

2. 安装与环境配置

2.1 环境准备

首先，确保已安装 Python 3.9+。建议在虚拟环境中操作。

python -m venv graphrag_env
source graphrag_env/bin/activate  # Windows: graphrag_env\Scripts\activate

2.2 安装 GraphRAG

pip install graphrag

2.3 初始化项目

创建项目文件夹并初始化：

mkdir graphrag_project
cd graphrag_project
python -m graphrag.index --init --root .

初始化成功后，目录结构如下：

graphrag_project/
├── .env                  # 环境变量配置
├── input                 # 存放知识库数据
├── prompts               # 提示词模板
│   ├── claim_extraction.txt
│   ├── community_report.txt
│   ├── entity_extraction.txt
│   └── summarize_descriptions.txt
└── settings.yaml         # 核心配置文件

2.4 配置文件说明

主要需要修改两个文件：

.env：填入大模型的 API Key。
```
OPENAI_API_KEY=your_api_key_here
```

settings.yaml：配置 LLM 和 Embedding 相关信息。

llm:
  api_type: "openai"
  model: "gpt-4-turbo"  # 或兼容 OpenAI 格式的模型
  temperature: 0
  max_tokens: 256
  request_timeout: 180.0

embedding:
  api_type: "openai"
  model: "text-embedding-3-small"
  deployment_name: null
  base_url: null
  api_key: ${env:OPENAI_API_KEY}

*注意：API 需兼容 OpenAI 格式。如需在 Gephi 等软件中查看图谱，可设置 graphml: true。

3. 构建索引

将知识库数据放入 input 文件夹（支持 .txt, .md, .csv 等格式），然后运行索引构建命令：

python -m graphrag.index --root .

3.1 构建流程

系统会自动执行以下步骤：

Loading Input：加载文本文件。
Entity Extraction：提取实体及其属性。
Relationship Extraction：提取实体间的关系。
Community Detection：检测社区结构。
Summarization：为社区生成摘要报告。

对于大型文档（如《红楼梦》73 万字），此过程可能需要数小时。建议先使用小样本测试流程。

3.2 常见问题与解决

问题 1：缺少模块报错 如果遇到 ModuleNotFoundError: No module named 'past'，通常是因为依赖缺失。

pip install future

问题 2：Embedding 限速 免费版 Embedding 接口可能限速严重。如果任务失败，可尝试以下方案：

调整 batch_size 为 1。
使用本地 Ollama 模型（需注意兼容性）。
接入 OneAPI 等代理服务调用第三方 Embedding 模型。

问题 3：中途中断续跑 如果因上游 LLM 速率限制报错，可在环境变量中设置 timestamp 或直接重新运行命令，GraphRAG 支持断点续传机制。

4. 图谱可视化与分析

构建完成后，结果保存在 artifacts/ 目录下，主要为 .parquet 文件。

4.1 查看数据

为了在编辑器中查看 .parquet 文件，可以安装 VS Code 插件 parquet-viewer，将其转换为 JSON 格式浏览。

生成的节点和边数据包含实体描述、关系类型及置信度。由于默认提示词多为英文，生成的描述可能为英文，可根据需求调整 prompts 文件夹中的提示词模板。

4.2 导出 GraphML

若需使用专业图谱工具（如 Gephi）分析，请在 settings.yaml 中开启 graphml: true，构建完成后会生成 .graphml 文件。

5. 检索与问答

GraphRAG 提供了两种主要的检索模式：

局部检索（Local Search）：基于实体进行推理。结合图的结构化数据和文档的非结构化数据，适合回答需要了解特定实体的问题。
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 使用这些集群总结主题，适合宏观问题。

5.1 查询示例

全局检索

查询：红楼梦的主题是什么？

python -m graphrag.query --root . --method global "红楼梦的主题是什么？"

输出示例： 系统会返回多个维度的分析，例如家族衰败、人性探讨、社会批判、爱情与婚姻、哲学思考等，并附带数据来源的报告 ID。

局部检索

查询：刘姥姥进大观园时带了谁？

python -m graphrag.query --root . --method local "刘姥姥进大观园时带了谁？"

输出示例： 系统会定位到具体实体（刘姥姥），并检查相关关系记录。结果显示刘姥姥进入大观园时带了她的孙子板儿。

5.2 性能优化建议

并发控制：在 settings.yaml 中调整 concurrency_limit，避免触发 API 限流。
Chunk Size：根据文档长度调整文本切分大小，过大会丢失上下文，过小会增加噪声。
Prompt 调优：针对特定领域（如中文古籍），建议重写 prompts 中的提示词，提高实体识别准确率。

6. 技术总结与最佳实践

GraphRAG 相比传统向量检索的优势在于能够回答涉及多跳关系的问题（Multi-hop Questions）。例如，询问'A 的朋友 B 的家乡在哪里'，传统 RAG 可能无法关联 A 和 B 的关系，而 GraphRAG 可以通过图谱路径直接推导。

然而，GraphRAG 也存在局限性：

资源消耗：构建索引需要大量 Token 和计算资源。
实时性：不适合高频动态更新的知识库，因为每次更新都需要重建索引。
准确性：实体抽取依赖于 LLM 的能力，可能存在幻觉，需人工校验关键数据。

适用场景推荐：

长文档深度分析（如法律合同、学术著作）。
需要理解实体间复杂关系的场景。
对答案可解释性要求较高的应用。

通过合理配置和优化，GraphRAG 能显著提升 LLM 在处理复杂知识检索任务时的表现。开发者应根据实际业务需求，权衡成本与收益，选择最适合的 RAG 架构。