企业官网建设流程全解析

别再手动整理实体关系了：用 GraphRAG 把散乱文档变成可查询的知识网络

【免费下载链接】graphragA modular graph-based Retrieval-Augmented Generation (RAG) system项目地址: https://gitcode.com/GitHub_Trending/gr/graphrag

GraphRAG 用 LLM 从非结构化文本中提取实体、关系和社区，帮你把一摞文档变成可问答的知识网络。读完本文，你能跑通一次完整索引，并用自己的文档提问。

先认识 GraphRAG

GraphRAG 是一个基于图结构的检索增强生成（RAG）系统：索引管线先用 LLM 从文本里抽出实体和关系，再做社区检测并生成多层级的社区报告；查询时在这些结构上作答。

它和普通 RAG 的区别：

• 输出是实体、关系、社区报告等结构化表，而不只是文本切片
• 查询分 local（围绕具体实体）和 global（通读社区报告回答全局问题）两种路线
• 底层走 LiteLLM，OpenAI、Azure 等 100 多种模型都能接

3 分钟装好 GraphRAG

1. git clone https://gitcode.com/GitHub_Trending/gr/graphrag && cd graphrag，拿到源码（统一搜索应用要用到）。
2. python -m venv .venv && source .venv/bin/activate，建个虚拟环境。
3. python -m pip install graphrag，从 PyPI 安装命令行工具。
4. graphrag init，按提示选默认 chat 和 embedding 模型，会生成settings.yaml、.env和input/目录。
5. 打开.env，把GRAPHRAG_API_KEY换成你自己的 API 密钥，再cd input放点文档进去。

跑通第一次索引

仓库里自带教程数据集，先用它验证环境。把示例文本拷进工作区的input/目录：

cp docs/data/operation_dulce/"Operation Dulce v2 1 1.md" input/

然后在工作区根目录启动索引：

graphrag index

管道跑完大约几分钟，你会看到这样的进度输出：

跑完后output/目录会多出一组 parquet 文件（entities、relationships、communities 等）。确认索引可用的最直接方式，是问两个不同层面的问题：

graphrag query "What are the top themes in this dataset?" graphrag query "Who is the central figure?" --method local

global 方式适合"这批文档在讲什么"这类宏观问题，local 方式适合追问某个具体实体的关系。

用它做什么

多套索引横向对比。仓库内置的 统一搜索应用 支持在一个界面里对比 local、global 等不同检索方法的结果：

cd unified-search-app uv sync && uv run poe start

在数据集列表里按 listing.json 格式 注册多个索引后，打开浏览器就能对比作答效果。

可视化浏览图谱。在settings.yaml里开启snapshots: graphml，索引后把output目录里的graph.graphml导入 Gephi，就能得到一张可交互的关系图，按社区着色、按度调节点大小，调参步骤参考 可视化指南。

增量更新。文档有新增时不用推倒重来，graphrag update会把新索引写到update_output目录，保留原有结果。

调优与避坑

• 现象：跑一次索引花了远超预期的 token 费用。原因：索引会为每个文本块调 LLM 抽实体和关系，文档量大时调用量成倍放大。怎么改：先用仓库自带的教程数据集小跑一遍，确认可行后再换便宜快速的模型做大批量索引。

• 现象：实体提取质量一般，类型和粒度都不贴合自己的领域。原因：默认提示词是通用示例，没有针对你的数据。怎么改：跑graphrag prompt-tune，让它从你的数据里采样并生成定制提示词，详见 提示词调优文档。

• 现象：升级 graphrag 版本后管道报配置错误。原因：不同版本的settings.yaml结构有变化。怎么改：小版本升级后重跑graphrag init --force刷新配置，大版本升级参考 breaking-changes 说明。

官方 Getting Started 和 配置文档 覆盖到这里没展开的细节；使用中的问题可以去仓库的 Discussions 区提问。另外说明一下现状：GraphRAG 目前处于维护模式，只做缺陷修复和依赖更新，不建议指望新功能，但作为学习图 RAG 思路的参考实现仍然完整。

【免费下载链接】graphragA modular graph-based Retrieval-Augmented Generation (RAG) system项目地址: https://gitcode.com/GitHub_Trending/gr/graphrag