Graph RAG

由微软提出的一种全新的方法 https://arxiv.org/pdf/2404.16130 借助 LLM 提取知识库内部实体之间的关系,并构建出知识图谱 基于知识图谱进行问答,提供全局性问题的答案

Graph RAG Demo

借助 Graph Rag 实现运维专家知识库

建立实体关系,解决全局性问题的对话

https://github.com/microsoft/graphrag

借助 Neo4j 查看实体关系

零代码开源 RAG 工具介绍:Ragflow

要求: CPU >= 4 核 RAM >= 16 GB Disk >= 50 GB Docker >= 24.0.0 & Docker Compose >= v2.26.1 安装:

  1. git clone https://github.com/infiniflow/ragflow.git

  2. cd ragflow/docker

  3. chmod +x ./entrypoint.sh

  4. macOS 注意:docker-compose-base.yml mysql image: mariadb:10.5.8, .env file add

    1. RAGFLOW_VERSION=v0.9.0
    2. MACOS=1
  5. sudo docker compose -f docker-compose.yml up -d , 访问 http://CVM_IP

Ragflow:以运维专家知识库为例

  1. 注册账号并登录
  2. 点击右上角头像,进入模型供应商设置
  3. 以 OpenAI 为例,点击添加模型,输入 Base URL 和 APIKEY
  4. 返回首页,创建知识库,选择 Embedding 模型和文档解析方法
  5. 上传文件,点击“启动”按钮进行 Embedding,等待处理完成
  6. 新建助理并基于知识库进行对话

Ragflow VS QAnything

📎 此处原稿为飞书表格附件,Markdown 导出时未包含该表格,内容暂缺。