微软 GraphRAG 2.0.0 本地部署指南

微软 GraphRAG 2.0.0 结合了知识图谱与检索增强生成技术，通过本地部署可实现高效数据处理与分析。Ollama 作为轻量化工具链，简化了部署流程，适用于企业级知识管理场景。

环境要求

• 操作系统：Linux（Ubuntu 22.04+）或 Windows 11（WSL2 支持）
• 硬件配置：NVIDIA GPU（16GB显存+），32GB内存
• 依赖项：Docker 24.0+，Python 3.10+，CUDA 12.1

安装 Ollama 运行环境

从 Ollama 官网下载最新稳定版安装包，执行静默安装命令：

curl -fsSL https://ollama.ai/install.sh | sh

验证安装成功后，初始化模型仓库：

ollama pull graphrag:2.0.0

配置知识图谱存储层

使用 Neo4j 5.15+ 作为图数据库后端，通过 Docker 快速启动容器：

docker run --name graphrag-db -p 7474:7474 -p 7687:7687 -e NEO4J_AUTH=neo4j/password -v ./neo4j_data:/data -d neo4j:5.15

修改 config/graph_config.yaml 文件，配置节点类型与关系映射：

entity_types:
  - name: "Person"
    properties: ["name", "title"]
  - name: "Organization"
    properties: ["industry", "founding_year"]

启动 GraphRAG 服务核心

克隆官方仓库并安装依赖：

git clone https://github.com/microsoft/graphrag
cd graphrag && pip install -r requirements.txt

启动服务前需设置环境变量：

export OLLAMA_HOST=127.0.0.1:11434
export NEO4J_URI=bolt://localhost:7687
nohup python app.py --port 5000 --workers 4 &

数据导入与测试验证

通过 API 上传结构化数据构建知识图谱：

curl -X POST -H "Content-Type: application/json" -d @data_sample.json http://localhost:5000/api/v1/graph/build

执行测试查询验证检索功能：

import requests
response = requests.post(
    "http://localhost:5000/api/v1/query",
    json={"question": "查找与OpenAI合作过的医疗企业"}
)
print(response.json()["answer"])

性能优化建议

启用混合检索模式提升响应速度，修改 config/retriever_config.yaml：

retrieval_mode: "hybrid"
vector_index:
  dimension: 1536
  metric_type: "cosine"
graph_traversal:
  depth: 3
  max_nodes: 1000

对于大规模数据场景，建议使用分片处理：

from graphrag import DataProcessor
processor = DataProcessor(shard_size=5000)
processor.batch_import("large_dataset.ndjson")

常见问题解决方案

GPU 内存不足错误
调整 Ollama 的模型加载参数：

OLLAMA_GPUS=1 ollama serve --num-gpu-layers 40

Neo4j 连接超时
检查防火墙设置并增加连接池大小：

# config/database.yaml
connection_pool:
  max_size: 50
  timeout: 300s

中文数据处理异常
安装附加语言包并更新配置文件：

pip install jieba thulac

在 config/linguistic_config.yaml 中启用多语言支持：

language_packs:
  zh: 
    tokenizer: "jieba"
  en:
    tokenizer: "nltk"