企业官网建设流程全解析

如何把散落各处的教育数据整合进一张知识图谱？GraphRAG 四步实操指南

【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

教案、试卷、课件散在五套系统里，老师每天要在"找资料"上耗掉多少小时？GraphRAG 是一个基于知识图谱的检索增强生成框架。它先把零散文本整理成"实体+关系"的图谱，再让你用自然语言直接提问。下面按四步走通完整流程。

它到底解决什么：拆掉教育数据孤岛 🧩

关键词检索只能找到"含这个词的文档"，找不到"和这个概念相关的一切"。教育资料分散在多套系统里，同一知识点在教案、题库、评课记录里反复出现，彼此却没有连线。GraphRAG 从文本里抽取实体与关系，把它们拼成一张可查询的知识图谱，跨来源提问从此有了统一入口。

一分钟看懂工作原理：输入-处理-输出 ⚙️

整条流水线是单向的，四步走完：

1. 输入：把教案、题库、评课文档放进input/目录，支持 TXT、CSV、Markdown 等格式。
2. 切块：长文被拆成等 token 数的文本块，LLM（按提示回答问题的大语言模型）读起来才稳定。
3. 抽取：LLM 逐块识别概念、人物、模块等实体并记录实体间关系，连成一张图。
4. 聚类：Leiden 算法（自动把关联紧密的节点归为一组的社区发现方法）划分社区，每个社区写一份摘要报告。

最终产物是一组 parquet 表：实体、关系、社区、报告。所有查询方式都建立在它们之上。

图中是提示词自动生成环节。系统会用你自己的数据，为抽取、摘要、报告各步骤定制提示词，减少"通用提示词读不懂教育文本"的偏差。

四步跑通完整流程 🚀

① 环境就绪：一条命令备好一切

先装命令行包并初始化工作区。init 命令会生成配置文件和input/目录：

git clone https://gitcode.com/GitHub_Trending/gr/graphrag pip install graphrag graphrag init

init 会提示你选聊天模型与嵌入模型（后者把文本转成向量以便比较相似度），照提示填入 API key 即可。官方建议先用小数据集试跑，摸清全流程再投入大任务。

② 数据接入：把资料放进 input 目录

数据不需要写脚本转换，把各类文档丢进input/就行。题库 CSV 这类结构化数据，可在 packages/graphrag-input/ 中配置字段含义。

③ 索引构建：一条命令生成知识图谱

graphrag index

流水线依次执行：文本切块、实体抽取、描述摘要、社区检测、报告生成。终端能实时看到进度条。跑完后output/目录里就是知识图谱与社区报告。首次运行最久，LLM 结果默认带缓存，重跑会直接复用。

④ 查询与可视化：提问即检索，Gephi 里看图

Global 搜索看全貌，适合宏观问题；Local 搜索聚焦单个实体。两条命令各试一次：

graphrag query "这门课总共覆盖哪些知识点？" --method global graphrag query "‘导数应用’和哪些章节最相关？" --method local

问题跨多个主题时还可以试 drift 搜索，它在本地与全局之间动态切换。想要并排对比各方法答案，可以启动 unified-search-app/ 网页应用：

想看图谱本身，把output/导出的 graphml 导入 Gephi。导入后初始效果如下，调整布局后簇状结构会清晰很多：

可视化完整步骤见 docs/visualization_guide.md，查询方法细节见 docs/query/overview.md。

知识图谱的三种用法：场景速写

• 企业培训负责人：把产品手册、新员工题库、往期问答接进同一张图。出新卷时问"哪些知识点多轮报错率高"，直接拿到排序清单与出处。
• 学科教研组长：把五年教案与评课记录入图。可以追溯某一单元的历年演变，看出哪些改动真正带来了成绩提升。
• 课程运营专员：接入作业反馈与结课评价文本。定位某门课的高频吐槽点，得到一份待改进的教学材料清单。

接下来可以怎么玩：进阶方向与高频答疑

用 prompt-tune 定制抽取提示词

内置提示词偏通用。跑一条graphrag prompt-tune --domain "K12教育"，它会从你的数据里抽样，为抽取、摘要、社区报告生成定制提示词。教育术语的抽取质量通常会明显提升。

增量追加新资料而无需重建

新学期到了新课件，用graphrag update把新文件并入现有图谱，不必推倒重来。历史资料越积越多时，这一步能省掉大量重复调用。

高频问题：几百份教案建一张图，成本有多高？索引阶段每个文本块都会调一次 LLM，花费大致与文本量成正比。先用小样本跑一遍，检查output/里的实体与报告质量，再放大规模。缓存会兜住重复部分，重跑不重复付费。

【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