GraphRAG More

基于 微软GraphRAG ，支持使用百度千帆、阿里通义、Ollama本地模型。

> 可以先熟悉一下微软官方的demo教程：👉 微软官方文档

使用步骤如下：

要求 Python 3.10-3.12，建议使用 pyenv 来管理多个python版本

1. 安装 graphrag-more

pip install graphrag-more

> 如需二次开发或者调试的话，也可以直接使用源码的方式，步骤如下： > > 下载 graphrag-more 代码库 > shell > git clone https://github.com/guoyao/graphrag-more.git > > > 安装依赖包 > 这里使用 poetry 来管理python虚拟环境 > shell > # 安装 poetry 参考：https://python-poetry.org/docs/#installation > > cd graphrag-more > poetry install >

2. 准备demo数据

# 创建demo目录
mkdir -p ./ragtest/input

# 下载微软官方demo数据
curl https://www.gutenberg.org/cache/epub/24022/pg24022.txt > ./ragtest/input/book.txt

3. 初始化demo目录

python -m graphrag.index --init --root ./ragtest

4. 移动和修改 settings.yaml 文件

根据选用的模型（千帆、通义、Ollama）将 example_settings 文件夹对应模型的 settings.yaml 文件复制到 ragtest 目录，覆盖初始化过程生成的 settings.yaml 文件。

# 千帆
cp ./example_settings/qianfan/settings.yaml ./ragtest

# or 通义
cp ./example_settings/tongyi/settings.yaml ./ragtest

# or ollama
cp ./example_settings/ollama/settings.yaml ./ragtest

每个settings.yaml里面都设置了默认的 llm 和 embeddings 模型，根据你自己要使用的模型修改 settings.yaml 文件的 model 配置

• 千帆默认使用 qianfan.ERNIE-3.5-128K 和 qianfan.bge-large-zh ，注意：必须带上 qianfan. 前缀 ！！！
• 通义默认使用 tongyi.qwen-plus 和 tongyi.text-embedding-v2 ，注意：必须带上 tongyi. 前缀 ！！！
• Ollama默认使用 ollama.mistral:latest 和 ollama.quentinz/bge-large-zh-v1.5:latest ，注意：<=0.3.0版本时，其llm模型不用带前缀，>=0.3.1版本时，其llm模型必须带上 ollama. 前缀，embeddings模型必须带 ollama. 前缀 ！！！

5. 构建前的准备

根据选用的模型，配置对应的环境变量，若使用Ollama需要安装并下载对应模型

• 千帆：需配置环境变量 QIANFAN_AK、QIANFAN_SK（注意是应用的AK/SK，不是安全认证的Access Key/Secret Key），如何获取请参考官方文档：https://cloud.baidu.com/doc/WENXINWORKSHOP/s/3lmokh7n6#步骤一，获取应用的ak和sk
• 通义：需配置环境变量 TONGYI_API_KEY（从0.3.6.1版本开始，也支持使用 DASHSCOPE_API_KEY，同时都配置的情况下 TONGYI_API_KEY 优先级高于 DASHSCOPE_API_KEY），如何获取请参考官方文档：https://help.aliyun.com/zh/model-studio/developer-reference/get-api-key
• Ollama：
  • 安装：https://ollama.com/download ，安装后启动
  • 下载模型

    ollama pull mistral:latest
    ollama pull quentinz/bge-large-zh-v1.5:latest
    

6. 构建索引

python -m graphrag.index --root ./ragtest

构建过程可能会触发 rate limit （限速）导致构建失败，重复执行几次，或者尝试调小 settings.yaml 中 的 requests_per_minute 和 concurrent_requests 配置，然后重试

7. 执行查询

# global query
python -m graphrag.query \
--root ./ragtest \
--method global \
"What are the top themes in this story?"

# local query
python -m graphrag.query \
--root ./ragtest \
--method local \
"Who is Scrooge, and what are his main relationships?"

查询过程可能会出现json解析报错问题，原因是某些模型没按要求输出json格式，可以重复执行几次，或者修改 settings.yaml 的 llm.model 改用其他模型

除了使用cli命令之外，你也可以使用API方式来查询，以便集成到你自己的项目中，API使用方式请参考： examples/api_usage

• 基于已有配置文件查询：search_by_config_file.py
• 基于代码的自定义查询：custom_search.py