Fast GraphRAG: una herramienta de generación de mejoras de búsqueda gráfica de gran precisión y bajo coste
Últimos recursos sobre IAActualizado hace 7 meses Círculo de intercambio de inteligencia artificial 12.5K 00
Introducción general
Fast GraphRAG es una herramienta de código abierto desarrollada por Circlemind AI para permitir una generación de aumento de la recuperación (RAG) eficiente y precisa mediante algoritmos de grafos de conocimiento y PageRank. La herramienta se adapta de forma inteligente al escenario de uso, los datos y los requisitos de consulta del usuario para proporcionar un flujo de trabajo de recuperación interpretable, de bajo coste y eficiente.Fast GraphRAG está diseñado para ejecutarse a escala sin recursos o costes significativos, y admite la actualización de datos en tiempo real y la generación dinámica de datos, lo que lo hace adecuado para una variedad de dominios con necesidades de gestión del conocimiento y recuperación de información.
Utilizar Fast-GraphRAG sólo cuesta, comparado con el original de 0,48, ¡un ahorro de casi 6 veces! Y esta rentabilidad aumenta aún más a medida que aumentan el tamaño de los datos y el número de inserciones.

Lista de funciones
- Gráficos de conocimiento interpretables y depurablesProporcionar vistas navegables de los conocimientos que puedan consultarse, visualizarse y actualizarse.
- Alta eficacia y bajo coste: Diseñado para funcionar a gran escala sin grandes recursos ni costes.
- Generación dinámica de datosGeneración automática y optimización de mapas para adaptarlos a sus necesidades ontológicas y de dominio.
- actualización incremental: Admite actualizaciones en tiempo real, ajustándose a medida que cambian los datos.
- Exploración inteligente: Exploración de grafos mediante el algoritmo PageRank para mejorar la precisión y la fiabilidad.
- Soporte asíncrono y de tipo: Totalmente asíncrono con soporte completo de tipos para garantizar flujos de trabajo sólidos y predecibles.
Comparación de LightRAG, GraphRAG y VectorDBs
consultar (un documento, etc.)
# Consultas | Método | Todas las consultas % | Sólo multisalto % |
---|---|---|---|
51 | |||
VectorDB | 0.49 | 0.32 | |
LightRAG | 0.47 | 0.32 | |
GraphRAG | 0.75 | 0.68 | |
Circlemind | 0.96 | 0.95 | |
101 | |||
VectorDB | 0.42 | 0.23 | |
LightRAG | 0.45 | 0.28 | |
GraphRAG | 0.73 | 0.64 | |
Circlemind | 0.93 | 0.90 |
Inserción de datos
Método | Tiempo (minutos) |
---|---|
VectorDB | ~0.3 |
LightRAG | ~25 |
GraphRAG | ~40 |
Circlemind | ~1.5 |
En la prueba de consultas, Fast GraphRAG alcanza una precisión elevada de 96% y 95% para todas las consultas y las consultas multisalto, respectivamente, en comparación con VectorDB RAG Casi cuatro veces más.
Además, Fast GraphRAG midió los tiempos de inserción de una prueba de referencia del conjunto de datos (unos 800 bloques): el tiempo de inserción de Fast GraphRAG fue de aproximadamente 1,5 minutos, es decir, 27 veces más rápido que GraphRAG, y la precisión de recuperación mejoró en más de 401 TP3T.
Utilizar la ayuda
Proceso de instalación
- Instalación desde la fuente (recomendada para un mejor rendimiento)::
# 克隆此仓库
git clone https://github.com/circlemind-ai/fast-graphrag
cd fast-graphrag
poetry install
- Instalación desde PyPi (estabilidad recomendada)::
pip install fast-graphrag
Inicio rápido
- Establece la clave de la API de OpenAI:
export OPENAI_API_KEY="sk-..."
- Descargar el texto de Cuento de Navidad:
curl https://raw.githubusercontent.com/circlemind-ai/fast-graphrag/refs/heads/main/mock_data.txt > ./book.txt
- Opcional: Establezca el límite de solicitudes simultáneas:
export CONCURRENT_TASK_LIMIT=8
- Utilice el siguiente fragmento de código Python:
from fast_graphrag import GraphRAG
DOMAIN = "Analyze this story and identify the characters. Focus on how they interact with each other, the locations they explore, and their relationships."
EXAMPLE_QUERIES = [
"Who are the main characters?",
"What locations are mentioned?",
"How do the characters interact?"
]
grag = GraphRAG(
domain=DOMAIN,
example_queries=EXAMPLE_QUERIES,
config=GraphRAG.Config(
llm_service=OpenAILLMService(
model="your-llm-model",
base_url="llm.api.url.com",
api_key="your-api-key",
mode=instructor.Mode.JSON,
api_version="your-llm-api_version",
client="openai or azure"
),
embedding_service=OpenAIEmbeddingService(
model="your-embedding-model",
base_url="emb.api.url.com",
api_key="your-api-key",
embedding_dim=512,
api_version="your-llm-api_version",
client="openai or azure"
),
),
)
Funciones principales
- Generación de grafos de conocimientoDefiniendo dominios y consultas de ejemplo, GraphRAG generará automáticamente un grafo de conocimiento adaptado a sus necesidades.
- Consultas y visualizacionesConsulta del grafo de conocimiento generado y visualización de los resultados.
- actualización en tiempo realA medida que cambian los datos, GraphRAG permite actualizar en tiempo real el gráfico de conocimiento para garantizar que la información es actual y precisa.
- Exploración inteligenteGraphRAG: mediante el algoritmo PageRank, GraphRAG es capaz de explorar de forma inteligente el grafo de conocimiento para mejorar la precisión y fiabilidad de la recuperación.
© declaración de copyright
Derechos de autor del artículo Círculo de intercambio de inteligencia artificial Todos, por favor no reproducir sin permiso.
Artículos relacionados
Sin comentarios...