企业官网建设流程全解析

GraphRag 知识图谱质量评估实操指南：4 个误区、3 个质量字段、2 种权重算法

【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

你问 GraphRag「这个项目的主要挑战是什么？」，得到的却是一堆不相关细节的拼盘，问题往往不在提示词，而在知识图谱本身。GraphRag 作为基于图的检索增强生成（RAG）系统，先从原文里抽出实体和关系建图，再沿着图组织答案。图的质量，直接决定回答的质量。

好消息是，质量信号并不藏在黑盒里。输出数据中有三个字段，可以直接拿来体检。

先认识图谱里藏着质量信号的 3 个字段

实体模型里最值得看的是text_unit_ids，它记录每个实体出现在哪些文本单元中。这个清单就是完整性的天然依据：实体出现的文本单元越多，说明它越"实"，而不是模型从一句话里顺出来的碎片。rank字段则决定实体在搜索上下文和社区报告里的优先级。

关系模型更简洁：weight记录边的强度（默认 1.0），text_unit_ids同样记录这条关系在哪些文本单元中共现过。两个模型的定义分别在 packages/graphrag/graphrag/data_model/entity.py 和 packages/graphrag/graphrag/data_model/relationship.py，对应输出目录里的 parquet 文件可以直接打开核对。

下面 4 个误区，按「节点侧 → 边侧 → 评估侧」的顺序展开，覆盖了图谱质量评估中最常见的翻车点。

误区一：实体和边越多，图谱质量越高

抽取得越多不等于越好。只出现在一个文本单元里的实体，往往是抽取噪声：专有名词的断句、模型的猜测、转录错误，都可能混进来。

GraphRag 提供两级清理。抽取阶段，entity_types（默认 organization、person、geo、event）限定 LLM 可抽取的实体范围；max_gleanings（默认 1）控制追问模型"再挖一遍"的轮数，调高后图会更密，噪声也会跟着涨。剪枝阶段，packages/graphrag/graphrag/config/models/prune_graph_config.py 中的min_node_freq、min_node_degree、min_edge_weight_pct则直接剔除低频节点和弱边。

误区二：关系权重就是 LLM 的置信度

weight 不是模型输出的概率。它的初始值来自抽取时的计数：两个实体在多少个文本单元里共同出现，weight 就累加多少次。

建图完成后，GraphRag 还会重算权重。graphs/edge_weights.py 里的默认算法是 PMI，公式如下：

pmi(x,y) = p(x,y) * log2( p(x,y) / (p(x) * p(y)) )

一句话解释：一条边只有在"比随机巧合更常共现"时才有价值。两个都很常见的实体即使频繁同框，也会被这个公式压低。另有一个 RRF 变体，把 PMI 排名和原始权重排名再融合一次，避免单一公式把顺序带偏。

所以当你看到一条高权重边、描述却和原文对不上时，该去查抽取提示词，而不是怀疑权重算法。

误区三：实体重要性是 LLM 抽取时定死的

LLM 并不输出 rank。它是派生字段：加载实体表时默认用节点度（rank_key 为 "degree"）充当 rank，而节点度就是该节点连出的无向边数，双向重复只算一次。

这个设计的实际意义：枢纽节点度数高，自然在社区报告和搜索上下文里排前面；如果你改用中心度或 PageRank 排序，只需要先算好新列，加载逻辑按字段名读取即可。排序依据可以换，字段本身不变，下游流程无需改动。

误区四：不打开 Gephi 就看不出图谱好坏

逐行看 parquet 没有可扩展性，可行的路线是可视化体检：

1. 配置里打开snapshots.graphml: true，跑完管道后在输出目录得到 graph.graphml。
2. 导入 Gephi，运行 Leiden 算法（Quality function 选 Modularity，Resolution 为 1），按社区着色、按 Degree 调整节点大小。
3. 重点看三处：有没有一个巨型色块，说明某个枢纽吞掉了整张图；孤立小簇是不是多到离谱；边缘地带有没有几乎不连主图的"边岛"。

除了肉眼看，还有数字背书。modularity（模块度）的实现逻辑写在 docs/visualization_guide.md 提到的社区划分配套函数里：它比较社区内部边的实际数量和随机图中的期望值，越高说明社区越"抱团"。如果接近 0，社区划分基本等于随机，回头先查图是否太碎、权重是否过于均匀。

给你的图谱做一份最小体检单

把上面的参数放在一起，日常体检按这个顺序走：

对应一个 5 步清单：

1. 打开 graphml 快照，重跑管道，拿到 graph.graphml。
2. 查实体表 text_unit_ids 的分布，只出现一次的实体是剪枝重点；数量偏多时先试 min_node_freq = 2。
3. 查关系表 weight 的分布，大量边聚集在 1–2 时，调高 min_edge_weight_pct 多剪一些弱边。
4. Gephi 里用 Leiden 着色检查社区，modularity 接近 0 时先排查图是否碎片化。
5. 挑你最关心的类型，人工抽验 10–20 个高度数实体的描述是否与原文一致。

这 5 步没有必须全部做完的硬性要求，按翻车形态定优先级：答非所问，先做第 2 步；社区报告跑题，先做第 4 步。

【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