GraphRAG+Ollama，构建本地精准全局问答系统！_AI阅读总结

包阅导读总结

1. 关键词：GraphRAG、Ollama、问答系统、本地模型、大语言模型

2. 总结：

– 介绍了 GraphRAG 可解决 RAG 在全局问答中的问题，但存在消耗大等缺陷。

– 提出在魔搭社区免费 Notebook 算力中，使用本地模型+Ollama+GraphRAG 的方案。

– 给出了代码修改、模型配置、安装及使用等详细操作流程。

3. 主要内容：

– GraphRAG 与问题：

– RAG 从外部知识库检索事实为 LLM 提供信息，但不完美，Graph RAG 方法被提出。

– Graph RAG 在生成答案的全面性和多样性方面有改进，但消耗大。

– 本地体验方案：

– 在魔搭社区免费 Notebook 算力中，使用本地模型+Ollama+GraphRAG。

– 操作流程：

– 下载并安装 Ollama。

– 配置并使用 embedding 模型。

– 创建 ModelFile，下载 Mistral 模型。

– clone Graphrag（ollama 版本）repo 并安装。

– 创建输入文件夹。

– 初始化，修改配置文件。

– 运行索引并创建图，运行 query 及生成可视化文件。

思维导图：

文章地址：https://mp.weixin.qq.com/s/BVw7rQz82SFHvTkmXMhjYQ

文章来源：mp.weixin.qq.com

作者：爱思考的

发布时间：2024/7/29 12:11

语言：中文

总字数：1525字

预计阅读时间：7分钟

评分：89分

标签：Graph RAG,Ollama,大语言模型,本地化问答系统,成本效益

以下为原文内容

本内容来源于用户推荐转载，旨在分享知识与观点，如有侵权请联系删除联系邮箱 media@ilingban.com

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！

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。

class OpenAIEmbeddingsLLM(BaseLLM[EmbeddingInput, EmbeddingOutput]):    _client: OpenAIClientTypes    _configuration: OpenAIConfiguration
    def __init__(self, client: OpenAIClientTypes, configuration: OpenAIConfiguration):        self._client = client        self._configuration = configuration
    async def _execute_llm(        self, input: EmbeddingInput, **kwargs: Unpack[LLMInput]    ) -> EmbeddingOutput | None:        args = {            "model": self._configuration.model,            **(kwargs.get("model_parameters") or {}),        }        embedding_list = []        for inp in input:            embedding = ollama.embeddings(model="nomic-embed-text", prompt=inp)            embedding_list.append(embedding["embedding"])        return embedding_list

模型配置

安装Ollama

# 直接从modelscope下载ollama安装包modelscope download --model=modelscope/ollama-linux --local_dir ./ollama-linux# 运行ollama安装脚本cd ollama-linuxsudo chmod 777 ./ollama-modelscope-install.sh./ollama-modelscope-install.sh

embedding模型使用Ollama自带的nomic-embed-text

ollama pull nomic-embed-text  #embedding

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

modelscopedownload--model=LLM-Research/Mistral-7B-Instruct-v0.3-GGUF--local_dir.Mistral-7B-Instruct-v0.3.fp16.gguf

创建ModelFile

FROM /mnt/workspace/Mistral-7B-Instruct-v0.3.fp16.ggufPARAMETER stop "[INST]"PARAMETER stop "[/INST]"

TEMPLATE """{{- if .Messages }}{{- range $index, $_ := .Messages }}{{- if eq .Role "user" }}{{- if and (eq (len (slice $.Messages $index)) 1) $.Tools }}[AVAILABLE_TOOLS] {{ $.Tools }}[/AVAILABLE_TOOLS]{{- end }}[INST] {{ if and $.System (eq (len (slice $.Messages $index)) 1) }}{{ $.System }}
{{ end }}{{ .Content }}[/INST]{{- else if eq .Role "assistant" }}{{- if .Content }} {{ .Content }}{{- else if .ToolCalls }}[TOOL_CALLS] [{{- range .ToolCalls }}{"name": "{{ .Function.Name }}", "arguments": {{ .Function.Arguments }}}{{- end }}]{{- end }}</s>{{- else if eq .Role "tool" }}[TOOL_RESULTS] {"content": {{ .Content }}} [/TOOL_RESULTS]{{- end }}{{- end }}{{- else }}[INST] {{ if .System }}{{ .System }}
{{ end }}{{ .Prompt }}[/INST]{{- end }} {{ .Response }}{{- if .Response }}</s>{{- end }}"""

创建模型

ollama create mymistral --file ./ModelFile

cloneGraphrag（ollama版本）repo并安装

git clone https://github.com/TheAiSingularity/graphrag-local-ollama.gitcd graphrag-local-ollama/pip install -e .

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

mkdir -p ./ragtest/inputcpinput/*./ragtest/input

初始化

初始化ragtest文件夹，并存入配置文件

python -m graphrag.index --init --root ./ragtestmvsettings.yaml./ragtest

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。

python -m graphrag.index --root ./ragtest

运行query，目前仅支持全局方式

python-mgraphrag.query--root./ragtest--methodglobal"Whatismachinelearning?"

同时，使用如下python代码，生成可视化的graphml文件

from pygraphml import GraphMLParser
parser = GraphMLParser()g = parser.parse("./graphrag-local-ollama/ragtest/output/***/artifacts/summarized_graph.graphml")
g.show()

点击阅读原文，跳转模型链接~

分类

GraphRAG+Ollama，构建本地精准全局问答系统！_AI阅读总结 — 包阅AI