1. 项目概述一个为开发者而生的轻量级GraphRAG实现如果你正在寻找一个能够快速上手、代码清晰、易于二次开发的GraphRAG图增强检索生成框架那么nano-graphrag很可能就是你需要的那个工具。GraphRAG这个概念简单来说就是在传统RAG检索增强生成的基础上引入知识图谱Graph来组织信息。传统的RAG通常将文档切成片段Chunks然后通过向量检索找到最相关的几段来回答问题。而GraphRAG更进一步它会从文档中提取出实体比如人物、地点、概念以及它们之间的关系构建成一个知识图谱。当用户提问时系统不仅检索相关的文本片段还会分析图谱中实体的连接和社区结构从而能回答更复杂、需要“推理”的问题比如“这个故事的核心主题是什么”或者“A和B之间有什么间接联系”。然而许多现有的GraphRAG实现比如微软官方的版本虽然功能强大但代码库庞大架构复杂对于想要深入理解原理或进行定制化开发的开发者来说学习成本和修改门槛都相当高。nano-graphrag正是为了解决这个痛点而生。它的核心目标非常明确在保留GraphRAG核心功能的前提下提供一个代码量极小核心代码约1100行、结构清晰、完全异步且类型完备的实现。这意味着你可以像阅读一篇精心编写的教程一样阅读它的源码快速掌握GraphRAG的运作机制并且能轻松地替换其中的任何一个组件——无论是大语言模型、向量数据库还是图存储引擎。2. 核心设计思路模块化与可插拔性nano-graphrag的设计哲学深深植根于“简单可依赖”和“开发者友好”。它没有试图打造一个无所不包的黑盒系统而是将自己拆解成一系列定义清晰的接口Interface和可替换的组件。这种设计带来的最大好处就是极致的灵活性。2.1 核心流程拆解一个标准的GraphRAG流程通常包含几个关键步骤nano-graphrag清晰地实现了每一步文档切分与插入将输入的文本或文本列表按照一定策略如按Token数或分隔符切分成块Chunks。每个块会计算一个MD5哈希值作为唯一标识确保内容完全相同的块不会被重复处理。实体与关系提取使用大语言模型LLM分析每个文本块识别出其中的实体以及实体之间的关系。这是构建知识图谱的原材料。知识图谱构建与存储将上一步提取的实体和关系以“节点-边”的形式存入图数据库。节点代表实体边代表关系并附上来源文本块等信息。社区发现对构建好的知识图谱运行社区发现算法如Louvain算法将紧密连接的实体聚类成不同的“社区”。每个社区通常对应文档中的一个核心话题或主题。社区报告生成对每个社区使用LLM生成一份总结性报告描述这个社区的核心内容、关键实体及其角色。这份报告是后续“全局检索”的关键。向量索引构建同时将每个文本块的内容通过嵌入模型Embedding Model转化为向量并存入向量数据库为传统的“语义检索”做好准备。查询与回答局部检索当用户提问时首先用向量数据库检索出与问题最相关的K个文本块。然后找出这些文本块中出现的实体并在知识图谱中找出这些实体所在的社区。最后将这些社区的信息实体、关系、社区报告和检索到的文本块一起交给LLM生成最终答案。这种方式更精确扩展性也更好。全局检索直接分析整个知识图谱找出与用户问题最相关、最重要的若干个社区通过社区内实体的中心性等指标衡量将这些社区的报告作为上下文交给LLM生成答案。这种方式更擅长回答宏观、主题类的问题。2.2 可插拔的组件设计nano-graphrag将上述流程中的每一个关键部分都抽象成了接口并提供了默认实现。这意味着你可以像搭积木一样替换它们LLM默认使用OpenAI的GPT-4o系列但你完全可以换成Amazon Bedrock、DeepSeek、Ollama本地模型甚至任何支持异步调用的API。嵌入模型默认使用OpenAI的text-embedding-3-small也可以轻松替换为Sentence-Transformers等本地模型。向量数据库默认集成轻量级的nano-vectordb也内置了hnswlib的支持并通过示例提供了连接Milvus、FAISS的方案。图存储默认使用内存库networkx适合快速实验和中小规模数据。对于生产环境或需要持久化、复杂图查询的场景可以切换到专业的Neo4j。块切分方法除了按Token切分也支持按标点、段落等分隔符切分你甚至可以自定义任何切分逻辑。这种设计使得nano-graphrag既能作为一个开箱即用的工具快速验证GraphRAG在你的数据上的效果又能作为一个绝佳的学习和研发基底让你可以深入每一个环节进行实验和优化。注意nano-graphrag目前没有实现原始GraphRAG论文中的“协变量”特性。此外其“全局检索”的实现方式与原文略有不同它并非将所有社区信息都填入上下文而是通过算法筛选出最相关、最重要的Top-K个社区默认最多512个以控制上下文长度和计算成本。这在大多数实际场景中是一个更实用的权衡。3. 快速上手指南从零到一的实践理论说得再多不如亲手跑一遍。我们以分析查尔斯·狄更斯的《圣诞颂歌》为例展示如何使用nano-graphrag完成一次完整的GraphRAG流程。3.1 环境准备与安装首先确保你的Python版本在3.9.11及以上。安装方式推荐从源码安装便于后续查阅和调试代码。# 克隆仓库 git clone https://github.com/gusye1234/nano-graphrag.git cd nano-graphrag # 以可编辑模式安装这样你对源码的修改会立即生效 pip install -e .如果你只是想快速试用也可以直接从PyPI安装pip install nano-graphrag3.2 准备数据与API密钥本项目默认使用OpenAI的接口因此需要设置API密钥。请在你的终端中执行export OPENAI_API_KEY你的-sk-密钥如果你使用Azure OpenAI或Amazon Bedrock请参考项目根目录下的.env.example.azure文件或相关示例脚本进行配置。接下来我们下载示例文本《圣诞颂歌》curl https://raw.githubusercontent.com/gusye1234/nano-graphrag/main/tests/mock_data.txt ./book.txt3.3 核心代码实践现在创建一个Python脚本例如run_demo.py写入以下内容from nano_graphrag import GraphRAG, QueryParam # 初始化GraphRAG实例指定工作目录用于存储中间数据如图、向量索引 graph_rag GraphRAG(working_dir./dickens_workspace) # 插入文档 with open(./book.txt, r, encodingutf-8) as f: book_content f.read() graph_rag.insert(book_content) print(文档插入与图谱构建完成) # 进行全局检索式查询适合宏观主题分析 global_answer graph_rag.query(What are the top themes in this story?) print( 全局检索回答 ) print(global_answer) print(\n *50 \n) # 进行局部检索式查询适合具体、事实性问题也是更推荐的方式 local_answer graph_rag.query( What is the relationship between Scrooge and Bob Cratchit?, paramQueryParam(modelocal) # 显式指定局部模式 ) print( 局部检索回答 ) print(local_answer)运行这个脚本python run_demo.py。首次运行会执行完整的流程切分文本、调用LLM提取实体关系、构建图谱、计算社区、生成向量索引。这个过程可能需要一些时间具体取决于文档长度和API速度。完成后会在./dickens_workspace目录下看到生成的数据文件。关键点解析working_dir参数至关重要。它指定了所有中间数据知识图谱、向量索引、缓存等的存储位置。下次从同一个目录初始化GraphRAG时它会自动加载这些数据无需重新处理实现了“增量处理”和持久化。graph_rag.insert()方法支持传入单个字符串也支持传入字符串列表进行批量插入。graph_rag.query()方法是核心的查询接口。QueryParam中的mode参数决定了检索策略“global”默认或“local”。根据我的经验对于大多数具体、细粒度的问答local模式因为结合了向量检索的精确性和图谱的关联性效果通常更稳定、更可扩展。3.4 异步接口的使用nano-graphrag的所有主要方法都提供了异步版本对于需要高并发处理大量文档或查询的场景非常有用。使用示例如下import asyncio from nano_graphrag import GraphRAG async def async_demo(): graph_rag GraphRAG(working_dir./async_demo) # 异步插入 await graph_rag.ainsert([文档1内容, 文档2内容, ...]) # 异步查询 answer await graph_rag.aquery(你的问题) print(answer) # 运行异步函数 asyncio.run(async_demo())4. 高级定制与组件替换实战nano-graphrag的真正威力在于其可定制性。下面我将通过几个具体场景展示如何替换核心组件。4.1 场景一使用本地嵌入模型降低成本OpenAI的嵌入API虽然效果好但会产生持续费用。对于内部或离线应用我们可以使用开源的Sentence-Transformers模型。首先安装所需库pip install sentence-transformers torch然后创建自定义的嵌入函数import numpy as np from sentence_transformers import SentenceTransformer from nano_graphrag._utils import wrap_embedding_func_with_attrs # 加载本地模型例如广泛使用的 all-MiniLM-L6-v2 model SentenceTransformer(all-MiniLM-L6-v2) # 使用装饰器声明该函数的嵌入维度和最大处理文本长度 wrap_embedding_func_with_attrs(embedding_dim384, max_token_size256) async def local_embedding(texts: list[str]) - np.ndarray: 本地嵌入函数同步模型调用在异步函数中运行。 # SentenceTransformer的encode是同步的用asyncio.to_thread在独立线程中运行避免阻塞事件循环 import asyncio def _sync_encode(_texts): return model.encode(_texts, convert_to_numpyTrue) embeddings await asyncio.to_thread(_sync_encode, texts) return embeddings # 在初始化GraphRAG时使用自定义嵌入函数 graph_rag GraphRAG( working_dir./local_embed_demo, embedding_funclocal_embedding, embedding_batch_num32 # 调整批量大小以适应你的硬件 )实操心得embedding_dim必须正确设置因为向量数据库需要知道向量的维度来初始化索引结构。all-MiniLM-L6-v2的维度是384。将同步的CPU密集型计算如模型推理包装在asyncio.to_thread中是保持异步应用响应性的常用技巧。本地模型虽然省去了API费用但会消耗本地计算资源CPU/GPU和内存需要根据数据量权衡。4.2 场景二切换图存储引擎到Neo4jnetworkx适合快速原型验证但数据全在内存中且缺乏高效的持久化和复杂查询能力。对于生产环境Neo4j是一个强大的选择。首先确保你有一个运行中的Neo4j实例可以是本地安装、Docker容器或Aura云服务。然后按照项目docs/use_neo4j_for_graphrag.md的指引你需要实现或使用已提供的Neo4jStorage类。假设你已经有了一个Neo4jStorage类其初始化需要Neo4j的连接URI和认证信息。使用方式如下from nano_graphrag import GraphRAG from my_neo4j_storage import Neo4jStorage # 假设这是你实现或导入的类 # 配置Neo4j连接 neo4j_storage Neo4jStorage( uribolt://localhost:7687, userneo4j, passwordyour_password ) graph_rag GraphRAG( working_dir./neo4j_demo, # working_dir仍用于存储非图数据如配置、缓存 graph_storage_clslambda: neo4j_storage # 传入一个返回实例的可调用对象 )注意事项切换到Neo4j后知识图谱的存储、查询和社区发现算法都将由Neo4j驱动。你需要确保Neo4j实例的性能和容量满足要求。working_dir参数在完全使用外部存储如Neo4j存图、Milvus存向量时可能只用于存储少量元数据。你可以通过设置always_create_working_dirFalse来跳过目录检查。4.3 场景三自定义提示词以优化实体提取GraphRAG的效果很大程度上依赖于LLM在实体关系提取和社区报告生成步骤的表现。nano-graphrag将所有提示词集中管理在nano_graphrag.prompt.PROMPTS字典中。你可以直接修改这个字典来调整提示词。例如你觉得默认的实体提取提示词PROMPTS[“entity_extraction”]对于你的专业领域如医疗、法律效果不佳可以这样覆盖它from nano_graphrag.prompt import PROMPTS # 定义你的专业领域提示词 my_entity_prompt 你是一个资深的{domain}专家。请从以下文本中提取关键实体及其关系。 特别注意提取{specific_entity_types}等类型的实体。 关系类型应包括{specific_relation_types}。 请严格按照JSON格式输出包含“entities”和“relations”两个列表。 文本{text} # 更新提示词字典注意这会影响之后创建的所有GraphRAG实例 PROMPTS[entity_extraction] my_entity_prompt # 你也可以在初始化时通过复制并修改字典的方式传入避免全局影响 custom_prompts PROMPTS.copy() custom_prompts[entity_extraction] my_entity_prompt # 但注意当前版本GraphRAG初始化参数可能不支持直接传入prompts字典 # 更常见的做法是直接修改PROMPTS或提交PR增加此功能。经验技巧修改提示词是优化GraphRAG表现性价比最高的方法之一。在实体提取阶段明确的指令和输出格式要求能极大提升LLM输出的稳定性和准确性。对于社区报告生成PROMPTS[“community_report”]和最终答案生成PROMPTS[“local_rag_response”],PROMPTS[“global_reduce_rag_response”]的提示词同样可以根据你的任务需求进行精调比如要求答案更简洁、更注重引用来源等。5. 常见问题与排查技巧实录在实际使用和集成nano-graphrag的过程中你可能会遇到一些典型问题。下面是我总结的一些排查思路和解决方案。5.1 问题插入文档或查询时速度非常慢可能原因及排查API调用延迟默认使用OpenAI API网络延迟和API速率限制是主要瓶颈。解决考虑使用异步接口ainsert,aquery进行批量操作。对于插入可以先将大文档切分成合理大小的块列表然后一次性ainsert。对于查询如果是在服务中确保使用异步框架。本地模型加载慢如果使用了本地嵌入模型或LLM如Ollama首次加载模型会非常耗时。解决在应用启动时预加载模型而不是在每次处理请求时加载。确保模型已下载到本地。社区发现算法开销大对于构建了超大知识图谱节点数10万的情况社区发现算法可能成为瓶颈。解决nano-graphrag默认使用networkx的Louvain算法。如果切换到Neo4j可以利用其图算法库中可能更高效的实现。此外可以评估是否可以通过调整文档切分粒度来减少图谱规模。5.2 问题LLM返回的JSON格式不稳定导致解析失败可能原因及排查使用了非OpenAI的模型许多开源LLM在严格遵守JSON输出格式上表现不稳定。解决利用GraphRAG初始化参数convert_response_to_json_func。你可以传入一个自定义函数用于修复或解析LLM返回的字符串。例如使用json_repair库import json_repair def robust_json_parser(response: str) - dict: try: # 先尝试标准解析 return json.loads(response) except json.JSONDecodeError: # 失败则尝试修复 repaired json_repair.repair_json(response) return json.loads(repaired) graph_rag GraphRAG( ..., convert_response_to_json_funcrobust_json_parser )提示词指令不清晰即使对于GPT-4如果提示词中没有强约束JSON格式偶尔也会出错。解决强化PROMPTS[“entity_extraction”]中的指令例如在末尾加上“你必须输出且仅输出一个合法的JSON对象不要有任何其他解释。”5.3 问题查询结果不相关或质量不高可能原因及排查检索到的文本块质量差解决尝试调整QueryParam中的local_top_k默认5参数增加检索数量。更根本的方法是优化文档切分策略chunk_func避免一个句子被切断或确保每个块有完整的语义。知识图谱构建不完整解决实体提取是关键。可以尝试使用更强大的LLM如从gpt-4o-mini切换到gpt-4o进行提取。或者精心设计上文提到的自定义实体提取提示词明确你关心的实体类型。全局检索与局部检索选错模式解决理解两种模式的适用场景。问宏观主题、总结性内容用global问具体事实、细节、关系用local。如果不确定可以两种都试一下对比结果。社区报告信息量不足解决修改PROMPTS[“community_report”]提示词要求生成更详细、包含更多关键实体和关系摘要的报告。5.4 问题内存或磁盘占用过大可能原因及排查向量索引膨胀默认的nano-vectordb或hnswlib索引会随向量数量线性增长。解决考虑切换到支持标量量化或更高效压缩的向量数据库如Milvus或FAISS的IndexIVFPQ索引。同时定期清理working_dir下不再需要的项目数据。networkx图内存占用对于超大图networkx内存消耗显著。解决这是切换到外部图存储如Neo4j的最主要动机之一。Neo4j将图数据存储在磁盘上通过缓存机制高效查询能处理规模大得多的图。5.5 配置与参数速查表下表整理了GraphRAG和QueryParam中一些最常用且影响显著的参数供你快速参考类参数名类型默认值说明与建议GraphRAGworking_dirstr必填核心参数。存储所有中间数据和缓存的目录路径。相同目录可重复加载。chunk_sizeint512文本切分的Token目标长度。增大它减少块数量加快处理但可能丢失细节减小则相反。best_model_idstr“gpt-4o”用于规划、回答等核心任务的“强”模型。平衡效果与成本。cheap_model_idstr“gpt-4o-mini”用于总结、摘要等任务的“弱”模型。可替换为更便宜的模型以降低成本。embedding_funcCallableOpenAI嵌入嵌入函数。替换为本地模型可消除API依赖和费用。graph_storage_clsCallableNetworkxStorage图存储类。替换为Neo4jStorage以获得持久化和专业图查询能力。QueryParammodestr“global”检索模式。“local”模式通常对事实性问题更佳。local_top_kint5局部检索时从向量库返回的最相关文本块数量。增加可能提升召回率但也可能引入噪声。only_need_contextboolFalse设为True时query方法只返回检索到的上下文文本块和社区报告不生成最终答案。用于集成到自定义提示流。global_max_consider_communityint512全局检索时最多考虑多少个最重要的社区。限制上下文长度防止超过模型Token限制。掌握这些核心参数你就能根据具体的数据规模、性能要求和成本预算对nano-graphrag进行有效的调优。这个项目就像一套精心设计的乐高提供了所有基础的积木块和清晰的搭建手册真正的价值和创意在于你如何用它来构建解决自己独特问题的知识引擎。