使用GraphRAG提升信息检索相关性。
GraphRAG是传统RAG的升级版，通过索引和查询两大阶段，实现了信息的图结构化处理和社区检测技术，从而提升信息检索的上下文相关性。本文为大家详细介绍GraphRAG的设置和应用方法。
1 GraphRAG
GraphRAG 是传统 RAG 的升级版，主要分为索引和查询两个阶段：
索引阶段：
源文档被拆分为子文档，进行实体和关系提取，构建知识图谱，形成社区结构，并生成多层次摘要。
查询阶段：
根据用户需求，选择合适的社区级别检索，整合多个社区的响应，形成全面答案。
GraphRAG 的创新在于利用图结构化信息和社区检测技术，提升回答的上下文相关性，但其计算成本要高于传统 RAG，后者在成本效益上仍有优势。
2 GraphRAG 设置指南
2.1 环境与安装
创建并激活虚拟环境：
conda create -n GraphRAG
conda activate GraphRAG
安装 GraphRAG 包：
pip install graphrag
2.2 目录结构
创建工作目录，并在其中建立 ragtest/input文件夹。将源文档放入 input文件夹。
2.3 配置与初始化
初始化工作空间并创建配置文件：
python -m graphrag.index --init --root ./target
在 settings.yml 中设置 OpenAI API 密钥和模型配置。
2.4 构建与查询
构建知识图谱：
python -m graphrag.index --init --root ./target
执行查询：
全局查询：
python -m graphrag.query --root ./target --method global "这个故事的主题是什么"
局部查询：
python -m graphrag.query --root ./target --method local "这个故事的主题是什么"
通过以上步骤，可设置并使用 GraphRAG 进行有效的信息检索。
3 GraphRAG成本分析
测试结果显示，GraphRAG处理每本书的费用约为7美元，主要包括：
GPT-4 API调用约570次； 嵌入请求约25次； 处理超过100万标记。
这些数据可作为评估GraphRAG性价比的参考。
