GraphRAG

目录

• 执行生成
• GraphRAG embeding模型和生成模型
  • 1. embedding_models（向量/嵌入模型）
  • 2. completion_models（补全/生成模型）
  • 3. 一句话对照

安装

# GraphRAG - Microsoft 图检索增强生成
# Python 3.10–3.12
graphrag>=0.3.0

# 可选：本地运行脚本时使用
python-dotenv>=1.0.0

编写好
/usr/local/code/py/graphRagTest1/settings.yaml

# GraphRAG 配置 - 与 graphrag init 生成结构兼容
# 详见 https://microsoft.github.io/graphrag/config/yaml/

default_chat_model: default_completion_model
default_embedding_model: default_embedding_model

# 国产 Qwen/通义（阿里云 DashScope），需配置 DASHSCOPE_API_KEY
completion_models:
  default_completion_model:
    type: litellm
    model_provider: dashscope
    model: qwen-turbo
    auth_method: api_key
    api_key: ${DASHSCOPE_API_KEY}

# LiteLLM 的 embedding 未注册 dashscope，故用 OpenAI 兼容端点 + api_base
# call_args.encoding_format=float：DashScope 只接受 float/base64，不接受 LiteLLM 默认传的 None
embedding_models:
  default_embedding_model:
    type: litellm
    model_provider: openai
    model: text-embedding-v3
    auth_method: api_key
    api_key: ${DASHSCOPE_API_KEY}
    api_base: https://dashscope.aliyuncs.com/compatible-mode/v1
    call_args:
      encoding_format: float

# 文档类型与匹配规则
input:
  type: text
  file_pattern: ".*\\.(txt|csv|json)"

# 存储路径（相对项目根）
input_storage:
  type: file
  base_dir: input

output_storage:
  type: file
  base_dir: output

cache:
  type: json
  storage:
    type: file
    base_dir: .cache

执行生成

graphrag index --root /path/to/another-project
该命令会在目录下寻找 settings.yaml，按settings.yaml执行

GraphRAG embeding模型和生成模型

根据库里的配置和调用关系，可以这样理解这两种模型在 GraphRAG 里的分工：

---

1. embedding_models（向量/嵌入模型）

作用：把文本变成向量，只做“表示”，不做“生成”。

在 GraphRAG 里主要用在：

阶段/功能	用途
索引：embed_text	给文本块、实体描述、社区内容等打向量，存进向量库，供后续检索
索引：generate_text_embeddings / update_text_embeddings	实际执行“文本 → 向量”的 workflow
查询：local_search	把用户问题编码成向量，用向量相似度找相关实体、关系、文本块
查询：basic_search	把问题编码成向量，做“向量 RAG”：找最相似的 k 个文本块
查询：drift_search	同样用 embedding 做语义检索，再配合 completion 做多轮/综合回答

总结：embedding 模型 = 负责“谁和谁在语义上接近”，用于建索引和做检索，不生成句子。

---

2. completion_models（补全/生成模型）

作用：做“理解 + 生成”的 LLM 任务（读入一段内容，输出新文本）。

在 GraphRAG 里主要用在：

阶段/功能	用途
索引：extract_graph	从文本块里抽取实体和关系（谁、什么组织、发生了啥、之间什么关系）
索引：summarize_descriptions	对实体描述做摘要，压缩成简短说明
索引：extract_claims	从文本里抽取主张/事实（claim）
索引：community_reports	根据社区子图/文本生成社区报告（这段知识在讲什么）
查询：local / global / drift / basic search	在检索到相关上下文后，用 LLM 生成最终回答（map-reduce、综合多段内容等）
查询：question_gen	生成追问/推荐问题

总结：completion 模型 = 负责“读进去，写出来”：抽实体关系、写摘要、写报告、写最终答案。

---

3. 一句话对照

• embedding_models：把文字变成向量，用于索引和相似度检索（不生成自然语言）。
• completion_models：做抽取、摘要、报告、问答生成等需要“理解 + 生成”的步骤。

索引阶段会同时用到两种：embedding 建向量索引，completion 做实体抽取、摘要、社区报告；查询阶段也是：embedding 做检索，completion 根据检索结果生成回答。