Fast GraphRAG : un outil de génération d'améliorations de la recherche graphique très précis et peu coûteux
Introduction générale
Fast GraphRAG est un outil open source développé par Circlemind AI pour permettre une génération efficace et précise de l'augmentation de la recherche (RAG) par le biais d'algorithmes de graphe de connaissances et de PageRank. L'outil s'adapte intelligemment au scénario d'utilisation de l'utilisateur, aux données et aux exigences de la requête pour fournir un flux de travail de recherche interprétable, peu coûteux et efficace. Fast GraphRAG est conçu pour fonctionner à grande échelle sans ressources ou coûts importants, et prend en charge la mise à jour des données en temps réel et la génération de données dynamiques, ce qui le rend adapté à une variété de domaines ayant des besoins en matière de gestion des connaissances et de recherche d'informations.
L'utilisation de Fast-GraphRAG ne coûte que 0,48, ce qui représente une économie de près de 6 fois ! Et ce rapport coût-efficacité augmente encore à mesure que la taille des données et le nombre d'insertions augmentent.

Liste des fonctions
- Graphes de connaissances interprétables et déboguablesLes services d'information et de communication (SIRC) : ils fournissent des vues navigables de la connaissance qui peuvent être interrogées, visualisées et mises à jour.
- Efficacité élevée et faible coûtLes services d'aide à la décision : Conçus pour une exploitation à grande échelle sans ressources ou coûts importants.
- Génération dynamique de donnéesLes cartes sont générées automatiquement et optimisées pour répondre au mieux à vos besoins en matière de domaine et d'ontologie.
- mise à jour incrémentaleLe système d'information de la Commission européenne est le suivant : il permet des mises à jour en temps réel, en s'adaptant aux changements de données.
- Exploration intelligenteL'exploration des graphes à l'aide de l'algorithme PageRank afin d'améliorer la précision et la fiabilité.
- Asynchrone et support de typeLes flux de travail sont robustes et prévisibles : ils sont entièrement asynchrones et prennent en charge tous les types de données.
Comparaison entre LightRAG, GraphRAG et VectorDBs
consulter (un document, etc.)
# Requêtes | Méthode | Toutes les requêtes % | Multiboutique uniquement % |
---|---|---|---|
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 |
Insertion de données
Méthode | Temps (minutes) |
---|---|
VectorDB | ~0.3 |
LightRAG | ~25 |
GraphRAG | ~40 |
Circlemind | ~1.5 |
Dans le test d'interrogation, Fast GraphRAG atteint une précision élevée de 96% et 95% pour toutes les requêtes et les requêtes multi-sauts, respectivement, par rapport à VectorDB RAG Près de quatre fois plus.
En outre, Fast GraphRAG a mesuré les temps d'insertion pour un test de référence de l'ensemble de données (environ 800 blocs) : le temps d'insertion pour Fast GraphRAG était d'environ 1,5 minute, soit 27 fois plus rapide que GraphRAG, et la précision de la recherche a été améliorée de plus de 401 TP3T.
Utiliser l'aide
Processus d'installation
- Installation à partir de la source (recommandée pour de meilleures performances): :
# 克隆此仓库
git clone https://github.com/circlemind-ai/fast-graphrag
cd fast-graphrag
poetry install
- Installation à partir de PyPi (stabilité recommandée): :
pip install fast-graphrag
Démarrage rapide
- Définir la clé de l'API OpenAI :
export OPENAI_API_KEY="sk-..."
- Télécharger le texte de Un chant de Noël :
curl https://raw.githubusercontent.com/circlemind-ai/fast-graphrag/refs/heads/main/mock_data.txt > ./book.txt
- Facultatif : Définir la limite des demandes simultanées :
export CONCURRENT_TASK_LIMIT=8
- Utilisez l'extrait de code Python suivant :
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"
),
),
)
Principales fonctions
- Génération de graphes de connaissancesGraphRAG : En définissant des domaines et des exemples de requêtes, GraphRAG génère automatiquement un graphe de connaissances adapté à vos besoins.
- Requêtes et visualisationsLes outils de visualisation permettent d'effectuer des requêtes à l'aide du graphe de connaissances généré et de visualiser les résultats.
- mise à jour en temps réelGraphRAG permet la mise à jour en temps réel du graphe de connaissances en fonction de l'évolution des données, afin de garantir l'actualité et l'exactitude des informations.
- Exploration intelligenteGraphRAG est capable d'explorer intelligemment le graphe de connaissances à l'aide de l'algorithme PageRank afin d'améliorer la précision et la fiabilité de la recherche.
© déclaration de droits d'auteur
L'article est protégé par le droit d'auteur et ne doit pas être reproduit sans autorisation.
Articles connexes
Pas de commentaires...