GraphRAG：终极 RAG 引擎 - 语义搜索、嵌入、矢量搜索等等
🌟解锁 GraphRAG 的力量：用于高级语义搜索、嵌入、矢量搜索等的终极 RAG 引擎！
github：https://github.com/microsoft/graphrag
Hi，这里是Aitrainee，欢迎阅读本期新文章。
我刚刚发现了目前最好的完全开源的RAG系统，微软AI推出的GraphRAG。GraphRAG是一个数据管道和转换套件，利用各种大型语言模型的强大功能，从非结构化文本中提取有意义的结构化数据。
在介绍GraphRAG之前，我需要解释一下RAG的基本概念。
RAG（Retrieval-Augmented Generation）是一种自然语言处理方法，通过外部知识增强现有的大型语言模型，以便在回答需要特定知识的问题时，提供更相关的答案。
这种方法被广泛使用，因为它不仅是最经济实惠的方法，还能减少大型语言模型的幻觉倾向，使生成的内容更贴近上下文信息。
除了用于问答，RAG还可以用于很多自然语言处理任务，例如从文本中提取信息、推荐、情感分析和摘要，这些都可以在私有本地存储中完成。那么，GraphRAG和传统的基准RAG系统有何不同呢？
GraphRAG结合了图结构和RAG，它将文本提取、网络分析、大型语言模型的提示和摘要整合成一个强大的系统。
与简单的文本搜索方法不同，GraphRAG使用知识图谱来提取和组织信息，从而提高响应的准确性和相关性，尤其是在处理复杂或私密的数据集时。它通过连接分散的信息片段，提供综合的见解，显著优于基准RAG技术。
现在我们了解了RAG和GraphRAG的基本概念，接下来我将展示如何开始使用GraphRAG，并了解其一些功能。我强烈推荐大家观看这个由项目创作者演示的视频，它会更详细地解释GraphRAG的工作原理。
▲ 项目创作者演示的视频
https://www.youtube.com/watch?v=jCjyaQL-7mA&t=0s
如何开始使用GraphRAG
让我们开始安装使其在你计算机上运行所需的先决条件。首先，你需要确保已安装Python的最新版本，并确保已安装PIP。
然后，你需要克隆该存储库并进入VS Code，这是我推荐的集成开发环境。
打开VS Code的新窗口，打开终端，输入PIP install graph rag安装相关包。接着输入cd graph rag进入目录，并输入export graph rag_API_key填入你的API密钥。
你需要创建一个输入文件夹以存放所有文件或文档。你可以在终端中输入mkdir input来创建文件夹，
然后打开VS Code，点击“文件”->“打开文件夹”，选择克隆的存储库目录，你会看到创建的输入文件夹。接着将一份今年的福特财务报告放入该文件夹，以便使用GraphRAG进行分析。
在下一个步骤中，输入命令python -m graph rag index以对当前文档进行索引，然后将可以开始与该文档进行对话。
每次处理新文件时都需要进行索引。你还可以在.env文件中粘贴你的API密钥，如果使用其他模型，可以在此处进行配置。配置完成后，保存文件并运行代码。
最后，运行以下命令以启动对话：python -m graph rag query。这将初始化查询或输入，并设置为根文件夹，接着输入查询。这样就可以在本地访问和使用RAG系统。我强烈推荐使用Ollama，它易于设置，只需设置端点即可。
下面提供官方的文档介绍、相关资源、部署教程等，进一步支撑你的行动，以提升本文的帮助力。
GraphRAG 项目
👉 使用 GraphRAG Accelerator 解决方案 👉 微软研究博客文章 👉 阅读文档 👉 GraphRAG 发表的论文
简介
GraphRAG 是一个旨在利用大语言模型（LLMs）从非结构化文本中提取结构化数据的数据处理工具套件。
要了解更多关于 GraphRAG 及其如何增强 LLM 处理私有数据能力的信息，请访问 微软研究博客文章.
快速入门
建议使用 Solution Accelerator 包，该包提供了与 Azure 资源的端到端用户体验。
代码库指南
此代码库展示了如何利用知识图谱记忆结构来增强 LLM 输出。请注意，提供的代码仅作为示范用途，不是微软官方支持的产品。
深入探索
- • 关于贡献指南，请参见 CONTRIBUTING.md
- • 关于 GraphRAG 的开发信息，请参见 DEVELOPING.md
- • 欢迎在 GitHub 讨论区 参与讨论和反馈意见！
提示调优
为了使 GraphRAG 在使用您的数据时达到最佳效果，我们强烈建议按照文档中的 提示调优指南 进行调整。
责任 AI 常见问题
请参阅 RAI_TRANSPARENCY.md 了解以下内容：
- • GraphRAG 是什么？
- • GraphRAG 能做什么？
- • GraphRAG 的预期用途是什么？
- • GraphRAG 如何评估？使用了哪些性能指标？
- • GraphRAG 的局限性是什么？用户如何将其影响降到最低？
- • 哪些操作因素和设置有助于 GraphRAG 的有效和负责任使用？
视频教程
https://www.youtube.com/watch?v=kHZHMzv3Shg
参考链接：
Github Repo：github.com/microsoft/graphrag
博客文章：microsoft.github.io/graphrag
项目页面：microsoft.com/en-us/research/project/graphrag/
研究论文：arxiv.org/pdf/2404.16130
如何系统的去学习大模型LLM ？
大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。
事实上，抢你饭碗的不是AI，而是会利用AI的人。
继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？
与其焦虑……
不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！
但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。
针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓
👉👈
一、LLM大模型经典书籍
AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。
二、640套LLM大模型报告合集
这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)
三、LLM大模型系列视频教程
四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）
LLM大模型学习路线 ↓
阶段1：AI大模型时代的基础理解
目标：了解AI大模型的基本概念、发展历程和核心原理。
内容：
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践
- L1.5 GPT应用案例
阶段2：AI大模型API应用开发工程
目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
内容：
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例
- L2.2 Prompt框架
- L2.3 流水线工程
- L2.4 总结与展望
阶段3：AI大模型应用架构实践
目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
内容：
- L3.1 Agent模型框架
- L3.2 MetaGPT
- L3.3 ChatGLM
- L3.4 LLAMA
- L3.5 其他大模型介绍
阶段4：AI大模型私有化部署
目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。
内容：
- L4.1 模型私有化部署概述
- L4.2 模型私有化部署的关键技术
- L4.3 模型私有化部署的实施步骤
- L4.4 模型私有化部署的应用场景
这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓
👉👈
