graphrag论文由微软发布：From Local to Global: A Graph RAG Approach to Query-Focused Summarization，阅读地址：https://arxiv.org/pdf/2404.16130

1. ollama部署
conda环境准备

# 有时候sh执行时可能报错 [[ not found的错误，此时用 bash 执行
sh Miniconda3-....sh
# 查看安装是否成功
../miniconda3/bin/conda --version
# 激活base环境
../miniconda3/bin/conda init bash
source ~/.bashrc

安装ollama的python依赖包

pip install ollama

下载ollama的install文件

https://ollama.com/install.sh

下载后修改如下内容

status "Downloading ollama..."
# 注释此行
#curl --fail --show-error --location --progress-bar -o $TEMP_DIR/ollama "https://ollama.com/download/ollama-linux-${ARCH}${VER_PARAM}"

status "Installing ollama to $BINDIR..."
$SUDO install -o0 -g0 -m755 -d $BINDIR
#$SUDO install -o0 -g0 -m755 $TEMP_DIR/ollama $BINDIR/ollama
# 修改安装包位置
$SUDO install -o0 -g0 -m755 ./ollama-linux-amd64 $BINDIR/ollama

下载安装包，与install.sh放在同一目录
https://github.com/ollama/ollama/releases/
执行安装

./install.sh

在宿主机上直接安装时，ollama会默认启动，如果没有启动的话，需要手动启动ollama服务，启动后可以打开网页：http://127.0.0.1:11434

ollama serve

2. 下载模型
登录：https://www.ollama.com/library，查看ollama已提供的模型
graphRAG需要一个大模型和一个向量模型，模型存放在…/.ollama/models位置。

ollama pull mistral  #llm
ollama pull nomic-embed-text  #embedding
ollama list

由于ollama使用的是GGUF格式的模型文件，在内网中pull无法连接时，可以先在外网安装一个ollama，将模型下载下来，将models文件夹复制到内网使用。

ollama采用如下命令调用模型。

采用api调用ollama的模型

# llm
curl http://localhost:11434/api/chat -d '{
  "model": "mistral",
  "messages": [
    {
      "role": "user",
      "content": "why is the sky blue?"
    }
  ],
  "stream": false
}'

# embedding
curl http://localhost:11434/api/embeddings -d '{
  "model": "nomic-embed-text",
  "prompt": "The sky is blue because of Rayleigh scattering"
}'

3. 运行graphRAG
安装graphrag依赖包

pip install graphrag

在某一目录下新建input目录，将一个或多个txt文件放入input目录下。
官方提供的示例时pg24022.txt是狄更斯的小说《圣诞颂歌》，下载地址如下。
curl https://www.gutenberg.org/cache/epub/24022/pg24022.txt
初始化工作区，此时会生成一系列空文件夹，cache，output，settings.yaml等。

python -m graphrag.index --init --root ./graphrag

修改.env文件的GRAPHRAG_API_KEY为ollama
修改生成的settings.yaml文件

llm:  
  model: mistral
  # 需要注意的是这是使用v1，尽管前面在测试ollama的api接口时，采用/api/chat，但是在graphrag中采用的是/v1/chat/completions
  api_base: http://localhost:11434/v1

embeddings:  
  llm:
    model: nomic-embed-text
    api_base:  http://localhost:11434/api

修改完毕后，构建图

python -m graphrag.index --root ./graphrag

构图的工作流如下，基于微软在论文中提到的实现思路，执行过程GraphRAG主要实现了如下功能：

Source Documents → Text Chunks：将源文档分割成文本块。
Text Chunks → Element Instances：从每个文本块中提取图节点和边的实例。
Element Instances → Element Summaries：为每个图元素生成摘要。
Element Summaries → Graph Communities：使用社区检测算法将图划分为社区。
Graph Communities → Community Summaries：为每个社区生成摘要。
Community Summaries → Community Answers → Global Answer：使用社区摘要生成局部答案，然后汇总这些局部答案以生成全局答案。
执行中报错，修改graphrag\llm\openai\openai_embeddings_llm.py，注意model要修改成自已使用的向量模型

embedding_list = []
for inp in input:
    embedding = ollama.embeddings(model="nomic-embed-text",prompt=inp)`            `
    embedding_list.append(embedding["embedding"])`        `
return embedding_list

执行中报错，这是因为graphrag依赖tiktoken，联网环境下tiktoken自动下载cl100k_base编码，在离线环境中需要修改。

Exception type: <class ‘requests.exceptions.ConnectionError’>
Exception value: HTTPSConnectionPool(host=‘openaipublic.blob.core.windows.net’, port=443): Max retries exceeded with url: /encodings/cl100k_base.tiktoken (Caused by NameResolutionError(“<urllib3.connection.HTTPSConnection object at 0x7fdf29eef1f0>: Failed to resolve ‘openaipublic.blob.core.windows.net’ ([Errno -3] Temporary failure in name resolution)”))

首先根据报错信息确认blobpath：https://openaipublic.blob.core.windows.net/encodings/cl100k_base.tiktoken
手动下载cl100k_base.tiktoken文件，根据源码中read_file_cached()函数中cache_key的计算方法，将文件重命名为：9b5ad71b2ce5302211f9c61530b329a4922fc6a4
在graphrag调用tiktoken位置，指定cl100k_base.tiktoken的位置：

import os
os.environ["TIKTOKEN_CACHE_DIR"] = "/mnt/temp/graphrag"

上述方法失败了，直接修改read_file()函数，解决，不报错了。

def read_file():
    blobpath = "https://openaipublic.blob.core.windows.net/encodings/cl100k_base.tiktoken"  
    cache_key = hashlib.sha1(blobpath.encode()).hexdigest()
    cache_dir = "/mnt/temp/graphrag"
    cache_path = os.path.join(cache_dir, cache_key)
    with open(cache_path, "rb") as f:
        data = f.read()
    return data

运行完毕后，输出结果保存在output目录下，包含了一系列结果文件，图谱结果存于parquet、graphml文件中。

output/{curent_datetime}/artifacts/

create_final_entities.parquet：查看提取的实体数据
create_final_nodes.parquet：知识图谱中各类节点的信息
create_final_relationships.parquet：查看关系数据
create_final_community_reports.parquet：存放了通过社区算法聚合而来的各个社区信息描述和标题
create_final_text_units.parquet：源文件被分割后的文本片段
进行全局查询之前，先安装依赖。

pip install langchain_community

# 全局查询
# 询问本作的故事主题
# Global（全局）代表我对整本书提问
# global查询模式下的数据来源是create_final_nodes.parquet、create_final_entities.parquet 和create_final_community_reports.parquet
python -m graphrag.query --root ./ragtest --method global "What are the top themes in this story?"
# 局部查询
# 询问具体的细节
# 本地搜索方法从知识图谱中识别出与用户输入语义相关的一组实体。这些实体作为进入知识图谱的切入点，使得可以提取进一步的相关细节，例如连接的实体、关系、实体协变量和社区报告。此外，它还从与识别出的实体相关的原始输入文档中提取相关的文本片段。然后，这些候选数据源会被优先排序和过滤，以适应预定义大小的单个上下文窗口，从而用于生成对用户查询的响应
# local查询模式下的数据来源除了global涉及的数据之外，还包含create_final_text_units.parquet和create_final_relationships.parquet
python -m graphrag.query --root ./ragtest --method local "Who is Scrooge, and what are his main relationships?"

调用graphrag.query时报错OS error，定位后发现，接口调用过程中使用了lance.write_dataset()函数将向量写到本地目录，而上述安装与初始化操作在容器挂载目录/mnt下执行，无写入权限，因此将整个工作区移动到/home的个人目录下。

global提问报错：json.decoder.JSONDecodeError: Expecting value: line 1 column 1 (char 0)
修改…/graphrag/query/structured_search/global_search/search.py

# 定位到报错的函数：_map_response_single_batch
# 这是因为ollama中LLM的api的输入参数格式与graphrag默认LLM的格式不一样，因此，需要进行修改
# 查阅ollama的参考文献，找到mistral模型的/v1/chat/completions接口的输入参数格式
#search_messages = [
#  {"role": "system", "content": search_prompt},
#  {"role": "user", "content": query},
#]
search_messages = [ {"role": "user", "content": search_prompt + "\n\n### USER QUESTION ### \n\n" + query} ]

修改之后，成功执行。

local提问报错：ZeroDivisionError: Weights sum to zero, can’t be normalized
修改…/graphrag\query\llm\oai\embedding.py

# ollama版本不同时，需要根据实际情况修改
from langchain_community.embeddings.ollama import OllamaEmbeddings
# 定位到for attempt in retryer:
#                with attempt:
# 将embedding计算修改为如下
embedding = (OllamaEmbeddings(model=self.model).embed_query(text) or [])
# 定位到async for attempt in retryer:
#                with attempt:
# 将embedding计算修改为如下
embedding = (await OllamaEmbeddings(model=self.model).embed_query(text) or [])

修改之后，成功执行。

4. 讨论
GraphRAG最核心的卖点就在于一定程度上解决了聚焦于查询的总结性(QueryFocused Summarization，QFS)任务，提出了一种全局图形RAG方法，将知识图生成、检索增强生成（RAG）和查询焦点摘要（QFS）相结合，以支持对整个文本语料库进行人类情境理解。

项目中实体抽取完全采用大模型实现，并且在三元组的schema方面也未设置任何约束。
————————————————

                            版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
                        
原文链接：