微软近日开源了新一代RAG框架GraphRAG，以解决当前RAG在大型语料库上全局理解问题。当前RAG主要聚焦于局部检索能力，即根据查询语句在向量库中匹配部分知识，然后通过大型语言模型合成这些检索到的

本文通过在实操GraphRAG中遇到的一些问题为例，介绍了如何修复的一些逻辑和PR，并由此提出了大幅缩减索引时间和成本的PR，希望本文对你有所帮助。

GraphRag解决了什么问题 在朴素的RAG（自我检索生成模型）中，我们使用一个向量库作为我们的知识库。当用户提出查询时，该系统从向量库中匹配顶部K个元素作为上下文，并将这个上下文与提示和查询一起交

最近微软新推出来的技术 graphRAG 相当火爆，我通过学习网上的资料总结出来在本地部署 Ollama+graphRAG 的教程，并且用《凡人修仙传》进行测试。

使用OpenAI模型体验GraphRag——以《边城》为例 在使用SiliconCloud之前，先使用OpenAI的模型看看GraphRag的效果。 GraphRAG是一种基于AI的内容理解和搜索能力

微软推出GraphRAG，革新问答系统能力，通过详尽的三阶段——数据预处理、图构建与社区结构生成，有效提升对复杂信息的整合与理解。本文深入技术细节，提供了本地运行实例的全面指南，借助Neo4j实现图的