FalkorDB/GraphRAG-SDK

GraphRAG‑SDK – 基於圖的檢索增強生成框架

是什麼 – 一個 Python SDK，可將文件集合（文字、PDF、Markdown、CSV 等）轉換為儲存在 FalkorDB 中的 知識圖譜，並透過檢索與遍歷該圖譜來回答自然語言問題。此套件的核心理念是 檢索步驟比 LLM 更重要；透過將答案建立在圖譜節點與邊上，可大幅減少幻覺。

為何重要 – 傳統 RAG 流水線依賴平面的向量相似度搜尋，常會遺漏多跳事實且無法追蹤來源。GraphRAG‑SDK 增加了：

關係遍歷 – 即使事實在文字上不相似，只要透過實體連結，也能被發現。
出處邊（MENTIONED_IN） – 每個答案均可追溯到支持它的精確來源區塊（chunk）。
拒答支援 – SDK 可偵測圖譜中缺乏足夠證據的情況，並返回明確的「證據不足」回應，而非捏造答案。
基準領先準確度 – README 指出，在 GraphRAG‑Bench 上整體準確率達 71.48 %，優於標準向量 RAG 基線。

核心概念

概念	作用
圖譜模式	可選的 `GraphSchema` 允許宣告實體類型（如 `Person`、`Organization`）和關係類型（如 `WORKS_AT`）。模式指導萃取並確保類型化、可驗證的事實。
攝入	`rag.ingest(text, document_id)` 使用 LLM 提取實體/關係，去重，建立嵌入，並將節點/邊寫入 FalkorDB。
最終化	`rag.finalize()` 執行跨文件去重並補全遺漏嵌入；其時間複雜度為 O(圖大小)，應在一批變更後呼叫一次。
檢索 + 生成	`rag.completion(question, return_context=True)` 執行基於圖的檢索（向量、全文、可選文字轉 Cypher），然後將檢索到的上下文傳遞給 LLM 生成答案。
增量更新	`update()`、`delete_document()` 和 `apply_changes()` 允許在不從頭重建的情況下，將圖譜與來源倉儲（如 CI 流水線）保持同步。

典型工作流程（5分鐘示範）

安裝 – pip install graphrag-sdk[litellm]（如需 PDF 支援，加入 [pdf]）。執行 FalkorDB 容器（docker run … falkordb/falkordb:latest）。
建立 GraphRAG 實例 – 提供 ConnectionConfig（主機 + 圖名用於租戶隔離）和 LLM/嵌入提供者（SDK 提供 LiteLLM 的輕量封裝，任何 OpenAI 相容模型皆可使用）。
攝入文件 – 對每個來源呼叫 ingest()。LLM 提取實體，嵌入器建立向量，SDK 寫入 Cypher upsert。
最終化 – 每批處理後呼叫一次 finalize() 以去重和索引。
查詢 – await rag.completion("Where does Alice work?") 回傳 Answer 物件，包含 answer.answer 和（如請求）完整的檢索路徑。

安裝與快速開始程式碼片段

pip install graphrag-sdk[litellm]
# 啟動 FalkorDB（Docker）並設定你的 OpenAI 金鑰
export OPENAI_API_KEY=sk-…

import asyncio
from graphrag_sdk import GraphRAG, ConnectionConfig, LiteLLM, LiteLLMEmbedder

async def main():
    async with GraphRAG(
        connection=ConnectionConfig(host="localhost", graph_name="demo"),
        llm=LiteLLM(model="openai/gpt-4o-mini"),
        embedder=LiteLLMEmbedder(model="openai/text-embedding-3-large", dimensions=256),
    ) as rag:
        await rag.ingest(text="Alice Johnson works at Acme Corp in London.", document_id="doc1")
        await rag.finalize()
        ans = await rag.completion("Where does Alice work?", return_context=True)
        print(ans.answer)
        print(ans.context)   # 出處邊、來源區塊等

asyncio.run(main())

主要特性（README 中列出）

基準領先準確度（撰寫時在 GraphRAG‑Bench 上排名第一）。
透過圖譜基礎檢索與出處邊實現幻覺減少。
快速、多租戶 – 每個圖譜由名稱隔離；FalkorDB 提供亞毫秒級 Cypher 查詢。
模組化流程 – 可插入自訂攝入策略、LLM 提供者或嵌入後端。
增量更新 – 安全、冪等的 update()，具備崩潰復原語意；支援 CI 的批次處理。
可擴展模式 – 可宣告或演進本體；SDK 可從傳入文件中發現新類型。
可觀測性鈎子 – 2026 年 Q2 發布（即將推出），將新增生產級指標。

誰應該使用它

企業：需要可靠、可審計的 RAG 回答的領域（如法律、醫療、金融），其中幻覺不可接受。
開發者：建構聊天機器人、問答助手或內部知識庫，希望實現圖級推理（多跳事實、以實體為中心的查詢）的人。
研究人員：對比較基於圖的 RAG 與純向量 RAG 感興趣者；SDK 隨附基準腳本與可重現文件。

如何進一步學習

完整文件： https://docs.falkordb.com/graphrag
入門指南、架構概覽和可靠性/根植性文件（均連結自 README）。
範例畫廊（graphrag_sdk/examples/…）涵蓋快速入門、PDF 攝入、自訂策略、本體演進和「帶拒答的根植答案」模式。

社群與貢獻

開源，採用 Apache 2.0 許可。
活躍的 Discord、GitHub Discussions 和問題追蹤器，用於支援與功能請求。
提供貢獻指南與行為準則。

總結 – GraphRAG‑SDK 是一個生產就緒、以 Python 為首的框架，結合 FalkorDB 的圖引擎與 LLM 驅動的實體萃取，提供比純向量搜尋流程更準確、可追蹤、可控制的 RAG 系統。

FalkorDB/GraphRAG-SDK

GraphRAG‑SDK – 基於圖的檢索增強生成框架

相關