GraphRAG-QA：基于知识图谱与检索增强生成的智能问答系统

项目简介

本项目实现了一个融合知识图谱（Knowledge Graph）与检索增强生成（Retrieval-Augmented Generation, RAG）的智能问答系统。

系统首先利用大语言模型从文本中抽取实体与关系，构建知识图谱并存储至 Kùzu 图数据库；同时对原始文本进行向量化处理，构建基于 FAISS 的向量检索库。

在问答阶段，系统采用：

• Knowledge Graph Retrieval（知识图谱检索）
• Dense Retrieval（向量检索）QA
• Large Language Model（大语言模型生成）

三者结合的方式完成知识增强问答。

---

系统架构

---

技术栈

大语言模型

• Qwen2.5
• Ollama

知识图谱

• Kùzu Graph Database

RAG

• BAAI/bge-small-zh-v1.5
• FAISS

WebUI

• Gradio

其他

• LangChain
• Sentence Transformers
• NetworkX
• Matplotlib

---

项目功能

1. 知识图谱构建

从原始文本中自动抽取：

• 实体（Entity）
• 关系（Relationship）

构建图谱并写入 Kùzu 数据库。

示例：

OpenAI → 开发 → ChatGPT

ChatGPT → 基于 → Transformer架构

---

2. 向量数据库构建

采用：

BAAI/bge-small-zh-v1.5

生成文本向量。

利用 FAISS 构建向量索引，实现语义检索。

---

3. GraphRAG问答

系统同时执行：

知识图谱检索

获取实体关联信息。

向量检索

获取相关文本片段。

LLM生成

优先利用知识图谱信息；

当知识图谱信息不足时，引入RAG结果补充回答。

---

4. Web可视化界面

支持展示：

• KG检索结果
• RAG检索结果
• 最终回答

---

项目目录

SmartGraphQA/

├── README.md
├── requirements.txt
├── .gitignore
│
├── GraphRag_app.py
├── main_GraphBuild.py
├── main_GraphRagRetriever.py
├── main_build_vector_db.py
├── main_vector_retriever.py
│
├── example_data.txt
│
├── Models/
│   ├── LLM_Models.py
│   ├── model_utils.py
│   └── ...
│
├── DataBase/
│   ├── GraphData/
│   │    └── create_graph_knowledge.py
│   ├── config.py
│   └── prompt_utils.py
│
├── Prompts/
│   └── prompt_graph.py
│
├── GraphRag_WebUI_1.png
├── GraphRag_WebUI_2.png
├── GraphRagRetriever_1.png
└── GraphRagRetriever_2.png

---

环境配置

Python 3.10

安装依赖：

pip install -r requirements.txt

启动 Ollama：

ollama serve

拉取模型：

ollama pull qwen2.5:7b

---

运行方法

1. 构建知识图谱

python main_GraphBuild.py

2. 构建向量数据库

python main_build_vector_db.py

3. 运行Graphrag检索进行测试

python main_GraphRagRetriever.py

4. 启动问答系统

python GraphRag_app.py

---

项目效果

问答系统效果图：

知识图谱构建图：

main_GraphRagRetriever终端运行截图：

---

项目亮点

• 基于 Kùzu 构建知识图谱
• 基于 FAISS 实现向量检索
• GraphRAG 混合检索架构
• 本地化部署（Ollama）
• Gradio WebUI 可视化
• 支持知识图谱与向量知识融合推理

---

后续优化方向

Retrieval

• BGE-Reranker
• BCE-Reranker
• Hybrid Retrieval

GraphRAG

• 多跳图谱检索
• 路径推理
• 社区发现

Agent

• Tool Calling
• Function Calling
• ReAct Agent

---

作者

Yang Qingxia

邮箱：yangqingxia2003@163.com

研究方向：

• 大模型（LLM）
• RAG
• GraphRAG
• Agent

---

参考项目

本项目在学习和实践过程中参考了以下优秀开源项目：

Knowledge Graph

SMARTGRAPHQA

https://github.com/tangjun1878/SMARTGRAPHQA

项目中的知识图谱构建流程、实体关系抽取思路为本项目提供了重要参考。

RAG

All-in-RAG

https://github.com/datawhalechina/all-in-rag

项目中的 RAG 基础理论、向量检索流程及相关实践内容为本项目的实现提供了参考。

感谢开源社区的贡献。