GraphRAG 通过知识图谱中的实体和关系进行多跳推理，适合理解实体间的复杂关联。

RAG vs GraphRAG

	RAG（向量检索）	GraphRAG（图谱检索）
适合的问题	"X 是什么？"	"A 和 B 有什么关系？"
检索方式	语义相似度匹配	实体关系遍历
强项	单跳事实查找	多跳推理、关系理解
数据存储	向量数据库 (Chroma)	属性图 (NetworkX)

数据入库

方式 A：自动抽取（默认）

与 RAG 共享同一个 profile 目录。LLM 自动从文档中抽取实体和关系。

优化建议：

• 确保文档中实体名称一致（统一用"张三"而非混用"小张"/"张经理"）
• 每个段落围绕明确的实体和关系展开
• 减少噪声文本（页眉页脚、目录、版权声明等）

方式 B：预构建三元组（JSONL）

将 JSONL 文件放入 data/profiles/{profile}/triplets/：

字段	类型	必填	说明
subject	string	是	主体实体
relation	string	是	关系类型
object	string	是	客体实体
subject_type	string	否	主体类型（如 "Person"），默认 "entity"
object_type	string	否	客体类型（如 "Organization"），默认 "entity"
subject_properties	object	否	主体附加属性（多模态预留，如 {"image": "img/a.png"}）
object_properties	object	否	客体附加属性（多模态预留）
confidence	float	否	置信度（默认 1.0）
source	string	否	来源标识

示例：

{"subject": "实体A", "relation": "就职于", "object": "实体B"}
{"subject": "实体A", "relation": "就职于", "object": "实体B", "subject_type": "Person", "object_type": "Organization"}

自动检测优先级

1. 已有图索引 → 直接加载
2. profiles/{profile}/triplets/*.jsonl 存在 → 方式 B（直接导入，不经过 LLM）
3. profiles/{profile}/ 下有文档 → 方式 A（LLM 自动抽取）

图谱可视化

构建完成后，图谱保存为交互式 HTML 文件：

storage/{profile}/graph/knowledge_graph.html

用浏览器打开即可查看实体和关系。

调整抽取参数

系统读取 profile 目录下的文档时，默认使用 SimpleLLMPathExtractor 自动抽取实体和关系。

kg_extractor = SimpleLLMPathExtractor(max_paths_per_chunk=10)

如需更精确的抽取（预定义实体和关系类型）：

from llama_index.core.indices.property_graph import SchemaLLMPathExtractor

kg_extractor = SchemaLLMPathExtractor(
    possible_entities=["人物", "公司", "产品", "技术", "地点"],
    possible_relations=["开发了", "属于", "使用", "位于", "合作"],
)

Web 界面

点击 GraphRAG 面板可以：

• 查看所有实体和关系
• 重建知识图谱