深度解析比微软的GraphRAG简洁很多的LightRAG，一看就懂

-目标-给定可能与此活动相关的文本文档和实体类型列表，从文本中识别出这些类型的所有实体以及所识别实体之间的所有关系。
-步骤-1.识别所有实体。对于每个已识别的实体，提取以下信息：-entity_name：实体名称，大写-entity_type：以下类型之一：〔｛entity_type｝〕-entity_description：对实体属性和活动的全面描述将每个实体格式化为（“实体”{tuple_delimiter}<entity_name>{tuple-delimiter}<实体类型>{tuple _delimiter]<实体描述>
2.从步骤1中识别的实体中，识别彼此*明显相关*的所有对（source_entity、target_entity）。对于每对相关实体，提取以下信息：-source_entity：源实体的名称，如步骤1中所标识的-target_entity：目标实体的名称，如步骤1中所标识的-relationship_description：解释为什么你认为源实体和目标实体是相互关联的-relationship_strength：一个数字分数，表示源实体和目标实体之间关系的强度-关系关键字：一个或多个高级关键字，总结关系的总体性质，侧重于概念或主题，而不是具体细节将每个关系格式化为（“关系”{tuple_delimiter}<source_entity>{tuple-delimiter}<target_entity>{tuple.delimiter}>关系描述>{tule_delimiter}<关系关键字>{tuple _delimiter]>关系强度>）
3.识别概括整篇文章主要概念、主题或主题的高级关键字。这些应该捕捉到文件中存在的总体想法。将内容级关键字格式化为（“content_keywords”{tuple_delimiter}<high_level_keywords>）
4.返回英文输出，作为步骤1和2中识别的所有实体和关系的单个列表。使用**{record_delimiter}**作为列表分隔符。
5.完成后，输出{completion_definer}上面定义了实体（点）和关系（边），依据大模型给我们返回相对应的格式

｛entity_type｝：这个定义我们的实体点有哪些类型，大模型根据这些类型帮我们提取实体{tuple_delimiter}：这个是具个实体或关系里面属性之间的分隔符，程序里面采用变量PROMPTS["DEFAULT_TUPLE_DELIMITER"]，默认值"<|>"{record_delimiter}：这个是实体或关系各个之间的分隔符

示例1：Entity_types：[人、技术、使命、组织、地点]文本：当亚历克斯咬紧牙关时，在泰勒威权主义确定性的背景下，沮丧的嗡嗡声变得沉闷起来。正是这种竞争性的暗流让他保持警惕，他和乔丹对发现的共同承诺是对克鲁兹狭隘的控制和秩序视野的无声反抗。
然后泰勒做了一件出乎意料的事。他们在约旦旁边停了下来，有一会儿，带着一种近乎敬畏的神情观察着这个装置。“如果这项技术能够被理解……”泰勒说，他们的声音更安静了，“它可能会改变我们的游戏规则。对我们所有人来说。”
早些时候的潜在解雇似乎动摇了，取而代之的是对他们手中事情的严重性的勉强尊重。乔丹抬头一看，他们的心跳转瞬即逝，目光锁定在泰勒身上，一种无言的意志冲突软化成了一种不安的休战。
这是一个很小的转变，几乎无法察觉，但亚历克斯内心点了点头。他们都是通过不同的途径被带到这里的################输出：（“实体”{tuple_delimiter}“亚历克斯”{tule_delimiter]“人”{tuple _delimiter}Alex是一个经历挫折的角色，他对其他角色的动态非常敏锐。）{record_delimitr}（“实体”{tuple_delimiter}“泰勒”{tule_delimiter]“人”{tuple _delimiter}Taylor被描绘成具有权威性的确定性，并对设备表现出敬畏的时刻，表明视角发生了变化。）{record_delimitr}（“实体”{tuple_delimiter}“Jordan”{tule_delimiter]“人”{tuple _delimiter}Jordan与Taylor在设备方面有着共同的发现承诺和重要的互动。）{record_delimitr}（“实体”{tuple_delimiter}“Cruz”{tule_delimiter}“人”{tuple _delimiter｝“Cruz与控制和秩序的视觉相关联，影响其他角色的动态。”）{record_delimiter]（“实体”{tuple_delimiter}“设备”{tule_delimiter]“技术”{tuple _delimiter}-“设备是故事的核心，具有潜在的改变游戏规则的意义，并受到泰勒的尊敬。”）{record_delimiter}（“关系”{tuple_delimiter}“Alex”{tule_delimiter]“Taylor”{tuple _delimiter}Alex受到Taylor权威确定性的影响，并观察到Taylor对设备态度的变化{tuple_delimiter}7){record_delimiter}（“关系”{tuple_delimiter}“亚历克斯”{tule_delimiter}Jordan“{tuple-delimiter}”亚历克斯和乔丹共同致力于发现，这与克鲁兹的愿景形成鲜明对比{tuple_delimiter}6){record_delimiter}（“关系”{tuple_delimiter}“Taylor”{tule_delimiter]“Jordan”{tuple _delimiter}“Taylor和Jordan直接就设备进行交互，导致相互尊重和不安的休战时刻{tuple_delimiter}8){record_delimiter}（“关系”{tuple_delimiter}“Jordan”{tule_delimiter]“Cruz”{tuple _delimiter}Jordan对发现的承诺是对Cruz控制和秩序愿景的反叛{tuple_delimiter}5){record_delimiter}（“关系”{tuple_delimiter}“Taylor”{tule_delimiter]“设备”{tuple _delimiter}Taylor对设备表示尊敬，表明其重要性和潜在影响{tuple_delimiter}9){record_delimiter}（“content_keywords”{tuple_delimiter}“权力动态、意识形态冲突、发现、反叛”）{completion_delimiter}

示例2：
Entity_types：[人、技术、使命、组织、地点]文本：他们不再仅仅是特工；他们成了门槛的守护者，守护着来自星条旗之外的世界的信息。他们使命的提升不能受到法规和既定协议的束缚，这需要一个新的视角、新的决心。
当与华盛顿的沟通在后台嗡嗡作响时，紧张气氛在嘟嘟声和静止声的对话中蔓延开来。队伍站着，一股不祥的气息笼罩着他们。很明显，他们在接下来的几个小时里做出的决定可能会重新定义人类在宇宙中的地位，或者使他们陷入无知和潜在的危险之中。
他们与恒星的联系得到了巩固，该小组开始解决这一具体的警告，从被动的接受者转变为积极的参与者。Mercer的后一种本能占据了上风——该团队的任务已经演变，不再仅仅是观察和报告，而是互动和准备。一场蜕变已经开始，行动：杜尔塞以他们新发现的大胆的频率哼着歌，这不是世俗的基调#############输出：（“实体”{tuple_delimiter}“华盛顿”{tule_delimiter]“位置”{tuple _delimiter}Washington是接收通信的位置，表明其在决策过程中的重要性（“实体”{tuple_delimiter}“操作：Dulce”{tule_delimiter}'任务“{tuple-delimiter}”操作：Ducce被描述为一个已经进化到相互作用和准备的任务，表明目标和活动发生了重大转变。）{record_delimitr}（“实体”{tuple_delimiter}“团队”{tule_delimiter]“组织”{tuple _delimiter}}“团队被描绘成一组从被动观察者转变为任务中的积极参与者的个人，他们的角色发生了动态变化。”）{record_delimiter｝（“关系”{tuple_delimiter}“团队”{tule_delimiter}Washington“{tuple-delimiter}团队收到来自华盛顿的通信，这会影响他们的决策过程{tuple_delimiter}7){record_delimiter}（“关系”{tuple_delimiter}“团队”{tule_delimiter]“操作：Dulce”{tuple _delimiter}'团队直接参与操作：Dulce，执行其进化的目标和活动。“{tuple-delimiter}”“任务进化，积极参与”{tuple_delimiter}9){补全_分隔符}（“content_keywords”{tuple_delimiter}“任务演变、决策、积极参与、宇宙意义”）{completion_delimiter}

"e1546ef55aae150f342ad3f0617228ec": {"return": "(\"entity\"<|>\"朝廷\"<|>\"organization\"<|>\"朝廷 refers to the central government of the Han dynasty, which is involved in sending officials and making decisions about military leadership.\")##(\"entity\"<|>\"黄门左丰\"<|>\"person\"<|>\"黄门左丰 is an official sent by the朝廷 to inspect and demand bribes, leading to subsequent conflicts.\")##(\"entity\"<|>\"董卓\"<|>\"person\"<|>\"董卓 is a military general sent by the朝廷 to replace the current commander and bring him back to the capital for punishment.\")##(\"entity\"<|>\"张飞\"<|>\"person\"<|>\"张飞 is a character known for his quick temper and bravery, wanting to rescue 卢植 and showing anger towards 董卓.\")##(\"entity\"<|>\"玄德\"<|>\"person\"<|>\"玄德, also known as 刘备, is a wise and strategic leader who advises calmness and follows the situation's developments.\")##(\"entity\"<|>\"关公\"<|>\"person\"<|>\"关公, also known as 关羽, is a loyal and skilled warrior who suggests returning to 涿郡 when their leader is arrested.\")##(\"entity\"<|>\"卢植\"<|>\"person\"<|>\"卢植 is a military commander who is arrested by 董卓 and whose situation prompts action from 张飞 and 玄德.\")##(\"entity\"<|>\"张角\"<|>\"person\"<|>\"张角 is a leader of the 黄巾 rebellion, identified by his title ‘天公将军’ and engaged in battle with 董卓.\")##(\"entity\"<|>\"涿郡\"<|>\"geo\"<|>\"涿郡 is a geographical location where 玄德 and his companions decide to return after their leader is arrested.\")##(\"entity\"<|>\"汉军大败\"<|>\"event\"<|>\"汉军大败 refers to the significant defeat of the Han dynasty's army by 张角的 forces, leading to a critical situation.\")##(\"relationship\"<|>\"黄门左丰\"<|>\"朝廷\"<|>\"黄门左丰 is an official sent by the 朝廷, representing the government's authority and demands.\"<|>\"official delegation, corruption\"<|>8)##(\"relationship\"<|>\"董卓\"<|>\"朝廷\"<|>\"董卓 is appointed by the 朝廷 to replace the current commander, showing the government's intervention in military affairs.\"<|>\"military command, political intervention\"<|>9)##(\"relationship\"<|>\"张飞\"<|>\"卢植\"<|>\"张飞 wants to rescue 卢植, indicating a strong sense of loyalty and urgency.\"<|>\"loyalty, rescue attempt\"<|>10)##(\"relationship\"<|>\"玄德\"<|>\"董卓\"<|>\"玄德 interacts with 董卓, experiencing disrespect and conflict, highlighting the social dynamics and tension.\"<|>\"social conflict, disrespect\"<|>7)##(\"relationship\"<|>\"关公\"<|>\"涿郡\"<|>\"关公 suggests returning to 涿郡, showing strategic thinking and a sense of belonging.\"<|>\"strategic retreat, home territory\"<|>6)##(\"relationship\"<|>\"张角\"<|>\"汉军大败\"<|>\"张角 leads the forces that defeat the Han army, signifying his military prowess and the severity of the rebellion.\"<|>\"military victory, rebellion\"<|>9)##(\"content_keywords\"<|>\"military conflict, political intrigue, rebellion, loyalty, strategic retreat\")<|COMPLETE|>","model": "glm-4-plus"},

#在vdb_chunks.json中进行向量查询，获得文档分段idresults = await chunks_vdb.query(query, top_k=query_param.top_k)
chunks_ids = [r["id"] for r in results]#根据担当分段id，获得文档分段内容chunks = await text_chunks_db.get_by_ids(chunks_ids)#maybe_trun_chunks 是进行token的大小截取，防止提交给大模型的token太大section = "--New Chunk--\n".join([c["content"] for c in maybe_trun_chunks])
#简单的检索提示词sys_prompt_temp = PROMPTS["naive_rag_response"]
#把查询出来的分段内容，赋值到提示词中sys_prompt = sys_prompt_temp.format(content_data=section, response_type=query_param.response_type)
#调用大模型，结合查出来的分段内容；进行回答问题response = await use_model_func(query,system_prompt=sys_prompt,)

You're a helpful assistantBelow are the knowledge you know:{content_data}---If you don't know the answer or if the provided knowledge do not contain sufficient information to provide an answer, just say so. Do not make anything up.Generate a response of the target length and format that responds to the user's question, summarizing all information in the input data tables appropriate for the response length and format, and incorporating any relevant general knowledge.If you don't know the answer, just say so. Do not make anything up.Do not include information where the supporting evidence for it is not provided.---Target response length and format---{response_type}"""

kw_prompt_temp = PROMPTS["keywords_extraction"] kw_prompt = kw_prompt_temp.format(query=query) result = await use_model_func(kw_prompt)

---角色---您是一个乐于助人的助手，负责识别用户查询中的高级和低级关键字。---目标---给定查询，列出高级和低级关键字。高级关键字侧重于总体概念或主题，而低级关键字侧重于特定实体、细节或具体术语。---使用说明----以JSON格式输出关键字。-JSON应该有两个键：-“high_level_keywords”用于概括概念或主题。-“low_level_keywords”用于特定实体或详细信息的描述

示例1：问：“国际贸易如何影响全球经济稳定？”################输出：{{“high_level_keywords”：[“国际贸易”、“全球经济稳定”、“经济影响”]，“low_level_keywords”：[“贸易协定”、“关税”、“货币兑换”、“进口”、“出口”]}}#############################示例2：问题：“森林砍伐对生物多样性的环境影响是什么？”################输出：{{“high_level_keywords”：[“环境后果”、“森林砍伐”、“生物多样性丧失”]，“low_level_keywords”：[“物种灭绝”、“栖息地破坏”、“碳排放”、“雨林”、“生态系统”]}}

#对low关键字进行实体点向量的查询results = await entities_vdb.query(low_keywords, top_k=query_param.top_k)对检索出来的实体名，进行图库的查询#找出图库中的相关查询的实体点node_datas = await asyncio.gather(*[knowledge_graph_inst.get_node(r["entity_name"]) for r in results] )

node_degrees = await asyncio.gather(*[knowledge_graph_inst.node_degree(r["entity_name"]) for r in results])

node_datas = [{**n, "entity_name": k["entity_name"], "rank": d}for k, n, d in zip(results, node_datas, node_degrees)if n is not None]

use_text_units = await _find_most_related_text_unit_from_entities(node_datas, query_param, text_chunks_db, knowledge_graph_inst)

use_relations = await _find_most_related_edges_from_entities(node_datas, query_param, knowledge_graph_inst)

--角色---您是一位乐于助人的助手，可以回答有关所提供表格中数据的问题。---目标---生成一个目标长度和格式的响应，以响应用户的问题，总结输入数据表中与响应长度和格式相对应的所有信息，并纳入任何相关的一般知识。如果你不知道答案，就直说吧。不要编造任何东西。不要包括没有提供支持证据的信息。---目标响应长度和格式---{response_type}---数据表---{context_data}根据长度和格式，在回复中添加适当的章节和评论。用markdown标记回复

#对high关键字进行实体点向量的查询results = await relationships_vdb.query(keywords, top_k=query_param.top_k)

#找出图库中的相关查询的关系边edge_datas = await asyncio.gather(*[knowledge_graph_inst.get_edge(r["src_id"], r["tgt_id"]) for r in results])

edge_degree = await asyncio.gather(*[knowledge_graph_inst.edge_degree(r["src_id"], r["tgt_id"]) for r in results])

edge_datas = [{"src_id": k["src_id"], "tgt_id": k["tgt_id"], "rank": d, **v}for k, v, d in zip(results, edge_datas, edge_degree)if v is not None]edge_datas = sorted(edge_datas, key=lambda x: (x["rank"], x["weight"]), reverse=True)edge_datas = truncate_list_by_token_size(edge_datas,key=lambda x: x["description"],max_token_size=query_param.max_token_for_global_context,)