使用GraphRAG服务_云原生数据仓库AnalyticDB(AnalyticDB)-阿里云帮助中心

传统RAG（Retrieval Augmented Generation）因为上下文理解能力不足、文档相似性偏差等缺陷，在处理复杂关系、多跳推理和知识关联时存在局限性。GraphRAG在传统RAG检索路径的基础上，提供了基于知识图谱的索引、检索、生成能力，从而提升了对复杂数据的理解与生成的质量。

功能简介

GraphRAG支持以下功能：

索引：通过知识抽取模型，对文档进行知识抽取，生成知识图谱，保存到图分析引擎。
检索：通过知识抽取模型，对Query进行关键词提取，在AnalyticDB for PostgreSQL图分析引擎中遍历子图，搜索关联子图。
生成：将Query和关联子图上下文提交给大模型，并生成结果。

版本限制

内核版本为7.3.2.0及以上的AnalyticDB for PostgreSQL7.0版实例。

说明

您可以在控制台实例的基本信息页查看内核小版本。如不满足上述版本要求，需要您升级内核小版本。

安装插件

安装plpython3u插件（默认已安装）。

检查插件是否安装成功：切换到指定数据库的public模式下，执行如下命令。

SELECT * FROM pg_extension WHERE extname = 'plpython3u';

返回如下结果，表示plpython3u插件已成功安装。如未返回结果，表示指定数据库的public模式下没有安装此插件。

  oid  |  extname   | extowner | extnamespace | extrelocatable | extversion | extconfig | extcondition 
-------+------------+----------+--------------+----------------+------------+-----------+--------------
 14674 | plpython3u |       10 |           11 | f              | 1.0        |           | 
(1 row)

安装age插件。
1. 安装age插件后，需要在数据库中将ag_catalog添加到search_path，以简化查询。以下是两种配置方式：
  - 会话级别设置。
```
SET search_path TO public, ag_catalog;
```
  - 数据库级别永久设置。
```
ALTER DATABASE <database_name> SET search_path TO public, ag_catalog;
```
2. （可选）使用初始账号或高权限用户RDS_SUPERUSER授权其他用户使用图插件。
```
GRANT USAGE ON SCHEMA ag_catalog TO <username>;
```
安装adbpg_graphrag插件，请提交工单联系技术支持协助安装此插件。
adbpg_graphrag插件依赖plpython3u、age插件，安装此插件前请先确认依赖插件完成安装。

使用提示

模型选择。
在模型选择方面，阿里云主要测试了qwen-max、qwen-plus-latest和qwen3-32b三款模型。
- 在回答质量方面，测试效果依次为：qwen-max > qwen-plus-latest > qwen3-32b。如需高质量输出，推荐使用qwen-max。
- 在生成速度方面，测试效果依次为：qwen3-32b > qwen-plus-latest > qwen-max。如更关注响应速度，建议选择qwen3-32b。

关于涉及图片的文档导入与处理。

当前系统对包含图片的文档支持有限。如需导入含图文档，建议使用多模态大模型（如qwen2.5-vl-72b-instruct）先将图片解析为文本描述后再上传。prompt指令参考如下。

你是一个专业的图片阅读助手，负责为下面提供的图片生成一个详细的解读与全面的总结。
---要求---
1. 如果图片中有模块区分，请分别抽取并尽可能多的提供每个模块详细的细节信息。
2. 根据以上抽取的信息，生成针对该模块的总结。
3. 如果图片中存在图表，请根据图表总结可用的细节信息。
4. 如果图片中存在有效图标，如国旗图标，象形图标，隐喻图标，工具图标和混合图标等，也需要关注图标来抽取细节信息。
5. 根据抽取的信息，进行总结并提供有效的全局信息。
---备注---
确保使用第三人称书写，并包含模块名称，以便我们拥有完整的上下文。
*识别图片中的主体语言*（占据80%以上的语言），使用*图片主体语言*作为输出语言。

操作步骤

初始化GraphRAG服务

语法

SELECT adbpg_graphrag.initialize(config json);

参数

adbpg_graphrag.initialize函数入参是一个JSON变量，用于配置GraphRAG服务信息，配置参数说明如下。

参数	说明
llm_model	用于指定GraphRAG使用的大模型，默认为qwen-max-2025-01-25。
llm_api_key	调用大模型时需要使用的API Key。
llm_url	大模型的API接口地址，默认使用阿里云百炼平台的API。
embedding_model	用于指定GraphRAG使用的嵌入模型，默认为text-embedding-v3。
language	GraphRAG使用的默认语言，默认为英语。英语：English。简体中文：Simplified Chinese。
entity_types	指定解析文档生成知识图谱时，需要抽取的实体点的类型。
relationship_types	指定解析文档生成知识图谱时，需要抽取的关系边的类型。
first_node_content	在使用决策树模式（tree）时，指定初始节点回复，默认为“您好，请问您有什么问题？”。
end_node_content	在使用决策树模式（tree）时，指定最终节点回复，默认为“请问还有什么其他问题吗？”。
global_distance_threshold	在使用决策树模式（tree）时，指定在本地与全局结果中选择全局搜索结果阈值，默认为0.1，表示全局搜索与客户回复相似度与本地搜索相比大于0.1 时，选择全局搜索结果。

示例

SELECT adbpg_graphrag.initialize(
	$$
	{
		"llm_model" : "qwen-max-2025-01-25",
		"llm_api_key" : "sk-****************",
		"llm_url" : "https://dashscope.aliyuncs.com/compatible-mode/v1",
		"embedding_model" : "text-embedding-v3",
		"language" : "Simplified Chinese",
		"entity_types" : ["业务场景", "产品", "功能特点", "使用逻辑", "数据指标", "数据口径"],
		"relationship_types": ["包含", "属于", "使用", "依赖", "关联", "解决"]
	}
	$$
);

上传文档

语法

SELECT adbpg_graphrag.upload(filename text, context text);

参数

adbpg_graphrag.upload函数用于上传文件内容。上传文件后，GraphRAG会做文本切分、向量生成、知识图谱抽取等一系列工作。

filename：文件名称。
context：文件内容。

示例

SELECT adbpg_graphrag.upload('产品信息.txt', '小蜜客服系统可以提供问题解答，请假申请，知识库搜索等功能。');

问题查询

语法

SELECT adbpg_graphrag.query(query_str text);
SELECT adbpg_graphrag.query(query_str text, query_mode text);

参数

query_str：需要询问的问题
query_mode：查询模式。GraphRAG支持以下查询模式。
- mix（默认）：使用向量匹配与知识图谱来获取相关知识，并提供给大模型参考。
- bypass：不使用任何向量或知识图谱查询，直接询问大模型。
- naive：仅使用向量查询获取相关知识，并提供给大模型参考。
- local：仅使用知识图谱中的实体点获取相关知识，并提供给大模型参考。
- global：仅使用知识图谱中的关系边获取相关知识，并提供给大模型参考。
- hybrid：使用知识图谱的实体点和关系边获取相关知识，并提供给大模型参考。
- tree：决策树模式，将知识存储为问答树后，使用该模式进行查询与回答。

示例

SELECT adbpg_graphrag.query('小蜜有什么功能？', 'hybrid');