RAG 是目前大语言模型相关最知名的工具之一，从外部知识库中检索事实，以便为大型语言模型 (LLM) 提供最准确、最新的信息。但 RAG 并不完美，在更好的使用 RAG 方面仍存在许多挑战。例如当针对整个文本文档提出一个全局的问题时，RAG会失败，因为RAG本质是一个查询聚焦摘要任务，需要先基于index做检索，而且不是一个明确的检索全文任务。同时受限于大语言模型的上下文窗口限制，不可避免中间信息和关联信息丢失的问题。
为了解决这些问题，微软提出了Graph RAG方法，使用 LLM 在两个阶段构建基于图的文本索引：首先从源文档中推导出实体知识图，然后为所有密切相关的实体组预生成社区摘要。给定一个问题，每个社区摘要用于生成部分响应，然后对所有部分响应进行总结以提供最终响应。对于一类关于 100 万个标记范围的数据集的全局理解问题，Graph RAG证明了图 RAG 在生成答案的全面性和多样性方面相对于简单的 RAG 基线有了显着改进。
但是，Graph RAG使用大语言模型从源文件抽取图entity和总结，并建设图索引，对token的消耗非常大，小编给大家算了一笔账，如果使用GPT-4o，一篇5万字左右的文档，Graph RAG的示例代码构建图的文本索引消耗27万左右 tokens，单次问答消耗约1万tokens，做个测试预计消费2-4美元，这也太贵了！
为了让更多的人更加容易体验Graph RAG，本文在魔搭社区的免费Notebook算力中，体验使用本地模型+Ollama+GraphRAG。
参考项目：
https://github.com/TheAiSingularity/graphrag-local-ollama
代码解析
该项目主要修改了文件路径/graphrag-local-ollama/graphrag/llm/openai/openai_embeddings_llm.py文件，将embedding的调用方式从OpenAI格式改为Ollama格式，大家也可以clone官方代码做如下修改，或者使用如Text-embedding-inference之类的支持OpenAI embedding API格式的库。
class OpenAIEmbeddingsLLM(BaseLLM[EmbeddingInput, EmbeddingOutput]):_client: OpenAIClientTypes_configuration: OpenAIConfigurationdef __init__(self, client: OpenAIClientTypes, configuration: OpenAIConfiguration):self._client = clientself._configuration = configurationasync def _execute_llm(self, input: EmbeddingInput, **kwargs: Unpack[LLMInput]) -> EmbeddingOutput | None:args = {"model": self._configuration.model,**(kwargs.get("model_parameters") or {}),}embedding_list = []for inp in input:embedding = ollama.embeddings(model="nomic-embed-text", prompt=inp)embedding_list.append(embedding["embedding"])return embedding_list
模型配置
安装Ollama
# 直接从modelscope下载ollama安装包modelscope download --model=modelscope/ollama-linux --local_dir ./ollama-linux# 运行ollama安装脚本cd ollama-linuxsudo chmod 777 ./ollama-modelscope-install.sh./ollama-modelscope-install.sh
embedding模型使用Ollama自带的nomic-embed-text
ollama pull nomic-embed-text#embedding
LLM使用ModelScope的Mistral-7B-Instruct-v0.3
模型链接：
https://modelscope.cn/models/LLM-Research/Mistral-7B-Instruct-v0.3-GGUF
modelscope download --model=LLM-Research/Mistral-7B-Instruct-v0.3-GGUF --local_dir . Mistral-7B-Instruct-v0.3.fp16.gguf
创建ModelFile
FROM /mnt/workspace/Mistral-7B-Instruct-v0.3.fp16.ggufPARAMETER stop "[INST]"PARAMETER stop "[/INST]"TEMPLATE """{{- if .Messages }}{{- range $index, $_ := .Messages }}{{- if eq .Role "user" }}{{- if and (eq (len (slice $.Messages $index)) 1) $.Tools }}[AVAILABLE_TOOLS] {{ $.Tools }}[/AVAILABLE_TOOLS]{{- end }}[INST] {{ if and $.System (eq (len (slice $.Messages $index)) 1) }}{{ $.System }}{{ end }}{{ .Content }}[/INST]{{- else if eq .Role "assistant" }}{{- if .Content }} {{ .Content }}{{- else if .ToolCalls }}[TOOL_CALLS] [{{- range .ToolCalls }}{"name": "{{ .Function.Name }}", "arguments": {{ .Function.Arguments }}}{{- end }}]{{- end }}</s>{{- else if eq .Role "tool" }}[TOOL_RESULTS] {"content": {{ .Content }}} [/TOOL_RESULTS]{{- end }}{{- end }}{{- else }}[INST] {{ if .System }}{{ .System }}{{ end }}{{ .Prompt }}[/INST]{{- end }} {{ .Response }}{{- if .Response }}</s>{{- end }}"""
创建模型
ollama create mymistral --file ./ModelFile
clone Graphrag（ollama版本）repo并安装
git clone https://github.com/TheAiSingularity/graphrag-local-ollama.gitcd graphrag-local-ollama/pip install -e .
创建输入文件夹
将实验数据复制保存在./ragtest中，也可以增加自己的数据，目前仅支持.txt格式
mkdir -p ./ragtest/inputcp input/* ./ragtest/input
初始化
初始化ragtest文件夹，并存入配置文件
python -m graphrag.index --init --root ./ragtestmv settings.yaml ./ragtest
可以将配置文件中的模型文件和embedding模型按照需求做对应的修改，如：
运行索引并创建图：
这部分对LLM有蛮大的要求，如果LLM的输出json格式不稳定，创建图的过程将被中断，在过程中，我们也尝试了多个模型，mistral的json输出稳定性比较好。
python -m graphrag.index --root ./ragtest
运行query，目前仅支持全局方式
python -m graphrag.query --root ./ragtest --method global "What is machinelearning?"
同时，使用如下python代码，生成可视化的graphml文件
from pygraphml import GraphMLParserparser = GraphMLParser()g = parser.parse("./graphrag-local-ollama/ragtest/output/***/artifacts/summarized_graph.graphml")g.show()
