随着人工智能技术在各个领域的广泛应用，对高效、灵活且经济的模型解决方案的需求日益迫切。传统的模型使用方式往往受到诸多限制，如高昂的成本、对网络的依赖以及数据隐私等问题。在这样的背景下，开源项目 graphrag-local-ollama 应运而生。
graphrag-local-ollama是微软 graphrag 的一个创新扩展，它专注于支持使用 ollama 下载的本地模型。这一特性使得用户能够在本地环境中进行模型推理，摆脱了对云端服务和昂贵外部模型的依赖，为广大开发者和研究人员提供了更多的自主性和灵活性。
2.显著的经济高效性
该项目在安装和使用方面也展现出了极高的便利性。对于开发者和用户来说，繁琐的安装过程和复杂的使用方法往往会成为阻碍项目应用的障碍。然而，graphrag-local-ollama 提供了简洁明了的安装指南和易于理解的使用步骤，使得即使是没有深厚技术背景的人员也能够轻松上手。
1. 环境准备
在开始之前，我们需要创建一个专门的 conda 环境来确保项目的顺利运行。这有助于隔离项目所需的依赖和库，避免与其他项目产生冲突。以下是创建并激活新的 conda 环境的命令：
conda create -n graphrag-ollama-local python=3.10conda activate graphrag-ollama-local
2. 安装 ollama
ollama 是实现 graphrag-local-ollama 项目的重要组成部分。您可以通过以下命令安装 ollama：
curl -fsSL https://ollama.com/install.sh | sh #ollama for linuxpip install ollama
或者访问 ollama 的官方网站获取更详细的安装说明和最新的版本信息。
3. 下载所需模型
使用 ollama 下载适合您需求的模型。例如，如果您需要处理自然语言任务，可以下载语言模型，如：
ollama pull mistral # 语言模型ollama pull nomic-embed-text # embedding 模型
请根据您的具体应用场景选择合适的模型。
4. 克隆项目并安装依赖
从 GitHub 上克隆 graphrag-local-ollama 项目到本地：
git clone https://github.com/TheAiSingularity/graphrag-local-ollama.git
进入项目目录后，安装所需的 graphrag 包：
cd graphrag-local-ollama/pip install -e.
5. 数据准备与初始化
创建输入目录，并将示例数据复制到该目录中，为后续的初始化和推理做好准备：
mkdir -p./ragtest/inputcp input/*./ragtest/input
然后，使用以下命令初始化`./ragtest`目录以创建必要的文件：
python -m graphrag.index --init --root./ragtest
6. 配置与构建索引
将预配置的 settings.yaml 文件移动到`./ragtest`目录中，该文件已经为您设置好了使用 ollama 本地模型的相关配置。接下来，构建索引：
mv settings.yaml./ragtestpython -m graphrag.index --root./ragtest
7. 执行查询
现在，您已经准备好进行查询操作了。例如，您可以使用以下命令提出问题并获取回答：
python -m graphrag.query --root./ragtest --method global "what is machine learning?"
四、项目的应用场景与未来展望
graphrag-local-ollama 具有广泛的应用场景。在自然语言处理领域，它可以用于智能客服、文本自动生成、知识问答等系统的构建；在数据分析和挖掘方面，能够辅助进行数据的分类、聚类和关联分析；在教育领域，可以为个性化学习提供支持，实现智能辅导和评估。
graphrag-local-ollama 这一开源项目为我们打开了一扇通向高效、灵活和经济的模型推理的大门。通过深入了解和应用它，我们能够在人工智能的世界中创造出更多有价值的成果。
项目地址：https://github.com/TheAiSingularity/graphrag-local-ollama
