microsoft GitHub avatar

graphrag

Python
图谱检索生成系统microsoft最近推送 2026年11月16日
RAG 与知识库MIT36.7k3,88670 issues7 天 +56

AI 分析 · 由大模型根据 README 与仓库数据生成 · 2026年11月17日

用 LLM 从非结构化文本抽取知识图谱,为问答提供上下文的 RAG 系统。

GraphRAG 是微软研究院开源的模块化图谱增强检索生成系统,定位为数据管道与转换套件,用 LLM 从非结构化文本中抽取结构化数据。它通过构建知识图谱来增强大模型对私有数据的推理与问答能力。README 明确说明这是研究项目,代码为演示性质,并非微软官方支持的产品。

推荐指数

3.0

思路和论文价值高,但项目已进入维护模式,不再接受新功能,适合学习与实验而非长期依赖。

近 7 天

+56

新增 Star

总 Star 排名

#176

雷达追踪的 3,958 个 AI 仓库中

创建于

2024

2024年3月28日

核心亮点

  • 1图谱增强检索

    用知识图谱组织实体关系,为问答提供更有针对性的上下文。

  • 2LLM 抽取结构化数据

    以数据管道方式从非结构化文本中提取实体与关系。

  • 3模块化设计

    仓库定位为模块化的数据管道与转换套件。

  • 4有论文与文档支撑

    提供 arXiv 论文、官方文档站和研究博客说明。

  • 5MIT 许可

    采用 MIT 许可证,使用限制较少。

适用场景

  • 研究图谱 RAG 方法

    例如:复现论文中的索引与查询流程,对比普通向量 RAG 的效果。

  • 私有文档问答实验

    例如:对一批叙事类私有文档建索引,测试跨文档关系型问题的回答。

  • 抽取结构化知识

    例如:从大量文本中抽取实体和关系,形成可复用的知识图谱。

它是怎么工作的

  1. 第 1 步

    准备文本与配置

    用 graphrag init 生成配置和提示词模板。

  2. 第 2 步

    LLM 抽取实体关系

    索引阶段调用 LLM 从文本中抽取结构化实体与关系。

  3. 第 3 步

    构建知识图谱

    将抽取结果组织成图谱并生成社区摘要等中间产物。

  4. 第 4 步

    基于图谱检索问答

    查询时利用图谱上下文增强 LLM 的回答。

快速上手

  1. 1

    安装

    从 PyPI 安装 graphrag 包。

    pip install graphrag
  2. 2

    初始化工作区

    在指定目录生成配置与提示词。

    graphrag init --root [path]
  3. 3

    建索引

    按文档执行索引流程,建议先用小数据集。

  4. 4

    查询

    索引完成后按文档进行查询。

适合谁

  • 想研究图谱增强 RAG 的开发者
  • 需要从文本抽取结构化知识的团队
  • 做私有数据问答实验的研究者

不太适合

  • 需要长期维护、持续新功能的商业项目
  • 预算有限、无法承担大量 LLM 调用成本的个人

成熟度

  • 活跃度README 声明已基本进入维护模式,只做修复和依赖更新,不接受新功能。
  • 文档有独立文档站、论文、提示词调优指南和 RAI 说明。
  • 社区约 3.6 万 star、近 3900 fork,开放 issue 约 70 个,有 Discussions 区。
  • 上手难度需配置 LLM、执行索引流程,README 提示索引成本高且需调优提示词。

同类项目怎么选

  • LlamaIndex通用 RAG 框架,图谱只是其中一种索引方式,仍在活跃开发。
  • LangChain更偏通用 LLM 应用编排,不专门做图谱抽取与社区摘要。
  • LightRAG同样做图谱增强 RAG,但项目定位与维护状态不同。

使用前注意

  • · 项目处于维护模式,不会有新功能,选型需考虑长期支持。
  • · 索引是昂贵的 LLM 操作,README 建议先小规模试跑并阅读成本说明。
  • · 开箱效果未必最佳,官方建议按提示词调优指南微调。
  • · 小版本升级需重新执行 graphrag init,大版本迁移可能需重索引。

主题标签

graphragragllmllmsgptgpt-4gpt4