【深度学习】本地运行 GraphRAG + Ollama_graphrag ollama

随着人工智能不断革新各个行业，对高效且经济的解决方案的需求日益增长。GraphRAG Local Ollama 应运而生，它是一款强大的 Microsoft GraphRAG 改进版，集成了使用 Ollama 下载的本地模型。这种改进让您可以告别昂贵的 OpenAPI 模型，转而采用高效、经济的本地推理。在本博文中，我们将指导您设置和使用 GraphRAG Local Ollama，展示其功能和优势。

介绍GraphRAG Local Ollama

GraphRAG Local Ollama 专为支持本地模型而设计，使其成为依赖昂贵的 OpenAPI 模型的经济替代方案。通过使用 Ollama 下载的本地模型，您可以进行高效的推理，而无需支付高额费用。

关键特征

• 本地模型支持: 利用 Ollama 下载的本地模型，可用于语言模型 (LLM) 和嵌入式应用。
• 经济高效: 无需依赖昂贵的 OpenAPI 模型，显著降低成本。
• 简单易设: 安装过程简单明了，便于快速部署和实验。

安装步骤

1. 创建并激活一个新的conda 环境

   首先，创建一个新的 conda 环境，确保所有依赖项都被隔离：

   conda create -n graphrag-ollama-local python=3.10
   conda activate graphrag-ollama-local
   

2. 安装Ollama

   接下来，安装 Ollama，它将用于下载和管理本地模型：

   • 访问 Ollama 的网站获取详细的安装说明。
   • 或者，运行以下命令：

   pip install ollama
   

3. 使用Ollama下载需要的模型

   ollama pull mistral  #语言模型
   ollama pull nomic-embed-text  #embedding模型
   

4. Clone 代码

   git clone <https://github.com/TheAiSingularity/graphrag-local-ollama.git>
   

5. 进入代码目录

   cd graphrag-local-ollama/
   

6. 安装GraphRAG包

   使用以下命令安装 GraphRAG 包：

   pip install -e .
   

7. 创建所需的输入目录

   创建实验数据和结果将存储的输入目录：

   mkdir -p ./ragtest/input
   

8. 复制示例数据

   将示例数据复制到输入目录。此示例数据用于运行初始设置

   cp input/* ./ragtest/input
   

9. 初始化 ./ragtest 目录

   初始化文件夹以创建所需文件：

   python -m graphrag.index --init --root ./ragtest
   

10. 移动 settings.yaml 文件

    将预配置的 settings.yaml 文件移动到 ./ragtest 目录。该文件已配置了 Ollama 本地模型：

    mv settings.yaml ./ragtest
    

11. 构建索引

    python -m graphrag.index --root ./ragtest
    

12. 执行一个查询

    python -m graphrag.query --root ./ragtest --method global "What is machine learning?"
    

保存和可视化图表

要保存图表以进行可视化，请在 settings.yaml 文件中启用 graphml 选项：

snapshots:
  graphml: true

可以使用 Gephi 之类的工具来可视化生成的 graphml 文件，或者使用提供的脚本 visualize-graphml.py，在 visualize-graphml.py 中传递 .graphml 文件的路径：

graph = nx.read_graphml('output/20240708-161630/artifacts/summarized_graph.graphml')

运行可视化脚本

python visualize-graphml.py

总结

通过以上步骤，您可以设置并使用本地模型与 GraphRAG，使过程更经济高效。这种方法利用了本地模型的力量，减少了对昂贵 API 的依赖，并实现了无缝的实验。