入坑
-
一开始有个本地知识库连接大模型进行问答的一个思路，在部署整理本地知识库的时候，测试了两个主流的项目FastGpt和MaxKB（二者都对环境要求低，无GPU亦可使用），但是在测试命中的时候，总是不理想，如果想增加命中率就需要对知识库文件进行大量的手动修正完善，很明显，对于我这种懒人，很不友好，放弃。
-
得大佬 @delph1s 指点，开始研究GraphRAG，从网上视频看，上下文关联做的比较好，因为我测试用的都是聊天记录，传统的截断式分段，会导致正好截断了上下文。
-
于是，入坑。
踩坑
- 首先，看到了一些视频和教程，要么是搬运的（博主根本自己没跑通，明显的剪辑痕迹），要么就是引用官方文档，建议跟着官方步骤去跑。
- 然后，就跟着官方文档的案例跑了一遍，各种问题，各种报错。
- 项目只支持openai规范的接口，找接口测试花了很多时间，甚至为了满足接口的规范，不得不想办法去改写openai的Python库，坑是越踩越深。
跑通
准备
- 需要有一个符合openai规范的chat接口，以及apikey
- 需要有一个符合openai规范的embeddings接口，以及apikey
- 以上两个接口必须必须保证稳定（特别重要，不然你会怀疑人生）
- 额度一定要足够，消耗巨大，项目训练和后面问答，都有很大的消耗。
初始化以及配置
- 根据官方文档进行按照配置，放入训练文本，然后初始化项目
python -m graphrag.index --init --root ./ragtest
# ./ragtest 为要初始化的项目目录，可以自己命名，训练文本在初始化前放入在它下面的input文件夹中
- 修改配置文件， settings.yaml，chat的接口和key配置在最上面的llm的位置，embeddings的接口和key配置在embeddings下面的llm的位置。
- 开始跑通
python -m graphrag.index --root ./ragtest
# ./ragtest 与上面初始化的时候的目录要一致
- 等待
- 测试
python -m graphrag.query --root ./ragtest --method global "{你的提问内容}"
注意
因为tokens消耗可能有点大，有些接口可能有限制，所以当报错之后，重新运行一下执行命令，会续接之前正常的位置继续，
reate_summarized_entities这一步可能会需要执行多次，才能完成。
所有都执行完毕，会显示一行绿色的英文，就是成功了。
如有问题可留言。
GraphRAG生成的graphml文件转echarts脚本，有需要的自取。
