引言
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!
最佳实践
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-linux
sudo 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
modelscope download --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.gguf
PARAMETER 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
clone Graphrag(ollama版本)repo并安装
git clone https://github.com/TheAiSingularity/graphrag-local-ollama.git
cd 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/input
cp input/* ./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 ./ragtest
mv settings.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 -m graphrag.query --root ./ragtest --method global "What is machinelearning?"
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()
所有评论(0)