Created
Jul 30, 2024 10:36 AM
Favorite
Favorite
Priority
备注
推荐
类型
01
引言
RAG 是目前大语言模型相关最知名的工具之一，从外部知识库中检索事实，以便为大型语言模型 (LLM) 提供最准确、最新的信息。但 RAG 并不完美，在更好的使用 RAG 方面仍存在许多挑战。例如当针对整个文本文档提出一个全局的问题时，RAG会失败，因为RAG本质是一个查询聚焦摘要任务，需要先基于index做检索，而且不是一个明确的检索全文任务。同时受限于大语言模型的上下文窗口限制，不可避免中间信息和关联信息丢失的问题。
为了解决这些问题，微软提出了Graph RAG方法，使用 LLM 在两个阶段构建基于图的文本索引：首先从源文档中推导出实体知识图，然后为所有密切相关的实体组预生成社区摘要。给定一个问题，每个社区摘要用于生成部分响应，然后对所有部分响应进行总结以提供最终响应。对于一类关于 100 万个标记范围的数据集的全局理解问题，Graph RAG证明了图 RAG 在生成答案的全面性和多样性方面相对于简单的 RAG 基线有了显着改进。
但是，Graph RAG使用大语言模型从源文件抽取图entity和总结，并建设图索引，对token的消耗非常大，小编给大家算了一笔账，如果使用GPT-4o，一篇5万字左右的文档，Graph RAG的示例代码构建图的文本索引消耗27万左右 tokens，单次问答消耗约1万tokens，做个测试预计消费2-4美元，这也太贵了！
02
最佳实践
为了让更多的人更加容易体验Graph RAG，本文在魔搭社区的免费Notebook算力中，体验使用本地模型+Ollama+GraphRAG。
参考项目：
https://github.com/TheAiSingularity/graphrag-local-ollama
代码解析
该项目主要修改了文件路径/graphrag-local-ollama/graphrag/llm/openai/openai_embeddings_llm.py文件，将embedding的调用方式从OpenAI格式改为Ollama格式，大家也可以clone官方代码做如下修改，或者使用如Text-embedding-inference之类的支持OpenAI embedding API格式的库。
模型配置
安装Ollama
embedding模型使用Ollama自带的nomic-embed-text
LLM使用ModelScope的Mistral-7B-Instruct-v0.3
模型链接：
https://modelscope.cn/models/LLM-Research/Mistral-7B-Instruct-v0.3-GGUF
创建ModelFile
创建模型
clone Graphrag（ollama版本）repo并安装
创建输入文件夹
将实验数据复制保存在./ragtest中，也可以增加自己的数据，目前仅支持.txt格式
初始化
初始化ragtest文件夹，并存入配置文件
可以将配置文件中的模型文件和embedding模型按照需求做对应的修改，如：
运行索引并创建图：
这部分对LLM有蛮大的要求，如果LLM的输出json格式不稳定，创建图的过程将被中断，在过程中，我们也尝试了多个模型，mistral的json输出稳定性比较好。
运行query，目前仅支持全局方式
同时，使用如下python代码，生成可视化的graphml文件
点击阅读原文，跳转模型链接~
👇点击关注ModelScope公众号获取更多技术信息~