轻量化GraphRAG实践：用知识图谱提升大模型问答精度

1. 项目概述当大模型遇上知识图谱Nano-GraphRAG的轻量化实践最近在折腾大模型应用时发现一个挺普遍的问题当你把一份几十页的PDF或者一个复杂的项目文档丢给大模型让它回答一些需要综合上下文才能搞定的问题时它要么给你一个似是而非的答案要么干脆就开始“胡言乱语”。这背后的核心原因是传统RAG检索增强生成在处理长文档、复杂关系时信息检索的精度和关联性不足。简单来说模型“看”文档的方式和我们人类理解复杂文档的方式存在根本性的差异。就在这个背景下我注意到了微软研究院提出的GraphRAG概念。它不再把文档简单地切分成一块块孤立的文本片段而是先构建一个知识图谱把实体人、事、物、概念和它们之间的关系属于、导致、包含等清晰地描绘出来。当用户提问时系统先在知识图谱这个“关系网”里进行搜索和推理找到最相关的子图再基于这个结构化的上下文生成答案。这种方法在处理需要多跳推理、关系梳理的问题上表现出了显著优势。然而GraphRAG的原型实现往往依赖Azure的整套服务栈对于想快速上手实验、或者在本地环境部署的开发者来说门槛不低。这时候gusye1234/nano-graphrag这个项目就进入了我的视野。顾名思义它是一个“纳米级”的、轻量化的GraphRAG实现。它剥离了云服务的依赖用更通用的开源工具链比如llama-index,networkx,neo4j重新实现了核心流程目标就是让任何一个有Python基础的开发者都能在自己的笔记本上跑起来一个GraphRAG系统亲身体验知识图谱如何提升大模型问答的深度和准确性。这个项目特别适合以下几类朋友一是正在探索RAG技术边界对传统向量检索效果不满意的AI应用开发者二是希望理解知识图谱与大模型结合具体技术路径的研究者或学生三是需要一个轻量、可解释的复杂文档问答工具来提升工作效率的知识工作者。接下来我就结合自己实际部署和测试的经验带你彻底拆解这个“小身材有大能量”的Nano-GraphRAG。2. 核心架构与设计思路拆解2.1 从RAG到GraphRAG思维范式的转变要理解Nano-GraphRAG的价值首先得看清传统RAG的局限性。标准的RAG流程是“分块-嵌入-检索”把长文档切成固定大小的片段转换成向量存入数据库用户提问时将问题也转换成向量去数据库里找最相似的几个文本块最后把这些文本块和问题一起喂给大模型生成答案。这个流程的问题在于“信息割裂”。假设一份文档详细描述了“公司A收购了公司B随后公司B的核心团队集体离职创业成立了公司C”。在传统分块下“收购事件”、“团队离职”、“创业成立”这三个关键信息很可能被分割到三个不同的文本块中。当用户问“公司C的创始团队来自哪里”时单纯基于语义相似度的向量检索很可能无法同时命中这三个分散的块或者即使命中模型也难以从孤立的块中拼凑出完整的因果链。GraphRAG改变了这个范式。它的核心思想是先理解后检索。不是直接检索文本片段而是先让大模型充当“知识工程师”从文档中提取出结构化的知识——实体和关系构建成一个知识图谱。这个图谱就像一个巨大的、相互连接的网络。当问题到来时系统可以在这个网络上执行更智能的搜索实体链接识别问题中的关键实体。子图检索以这些实体为中心在知识图谱中探索与之直接或间接相连的其他实体和关系抽取出一个相关的子图。上下文构建将这个子图一种高度结构化的信息转换成自然语言描述作为增强的上下文。答案生成大模型基于这个富含关系的上下文生成最终答案。这样对于“公司C的创始团队来自哪里”这个问题系统能迅速在图谱中找到“公司C -创立于- 团队T”以及“团队T -曾属于- 公司B”的关系甚至能通过“公司B -被收购于- 公司A”关联到更上游的信息从而给出一个准确、连贯的答案。2.2 Nano-GraphRAG的轻量化设计哲学原版的GraphRAG实现深度绑定Azure Cognitive Search、Azure OpenAI等特定云服务。gusye1234/nano-graphrag项目的首要目标就是“解耦”和“轻量化”。它的设计哲学非常明确用最流行、最易获取的开源组件搭建一个可运行、可修改、可学习的GraphRAG最小可行产品MVP。项目在技术选型上做了精心取舍知识提取与图谱构建没有使用复杂的专用信息抽取模型而是巧妙地利用了大语言模型LLM本身的指令遵循和结构化输出能力。通过精心设计的提示词Prompt引导LLM如GPT-3.5/4, Llama 3等从文本中提取(头实体关系尾实体)三元组。这省去了训练或部署特定抽取模型的麻烦。图谱存储与查询提供了两种后端选择。一是使用networkx库在内存中构建图这种方式最简单适合快速实验和小型文档。二是集成neo4j图数据库这是生产级应用更常见的选择能支持更复杂的图查询和更高效的关系遍历。项目封装了统一的接口让切换变得容易。检索与生成基于llama-index这个流行的RAG框架进行集成。llama-index本身提供了对多种数据源、向量数据库和LLM的抽象Nano-GraphRAG在此基础上增加了“图索引”和“图检索器”的概念使其能够无缝融入现有的RAG工作流。这种轻量化设计带来的直接好处是低门槛和灵活性。你不需要申请云服务API不需要管理复杂的基础设施只需要一个Python环境安装几个库就能开始实验。同时由于核心逻辑清晰每一部分如提示词、图查询逻辑都暴露在代码中开发者可以很容易地根据自身需求进行定制和优化。注意轻量化也意味着在某些方面做了妥协。例如依赖通用LLM进行信息抽取其准确性和一致性可能不如专用模型内存版的networkx无法处理超大规模图谱。但作为学习和原型验证工具这些妥协是完全合理且必要的。2.3 项目核心流程全景图Nano-GraphRAG的完整工作流程可以清晰地分为离线构建和在线查询两个阶段下图展示了其核心步骤与数据流转离线构建阶段知识图谱构建文档加载与预处理读取你的源文档PDF、TXT、Markdown等并进行基础的文本清洗。文本分块将长文档分割成适合LLM处理大小的片段Chunk。这里的分块目的不是为了直接检索而是为了分批次喂给LLM进行知识提取。知识三元组提取这是最核心的一步。对每一个文本块调用LLM使用预定义的提示词请求其输出该块中出现的所有(实体关系实体)三元组。例如从“马斯克创立了SpaceX公司”中提取出(马斯克创立SpaceX)。图谱构建与存储将提取自所有文本块的三元组进行汇总、去重合并指向同一实体的不同表述然后构建成图结构。节点是实体边是关系。最后将这个图存储到networkx对象或者neo4j数据库中。在线查询阶段问答用户提问用户输入一个自然语言问题。关键实体识别首先使用LLM从问题中提取出关键实体。例如从“SpaceX的创始人是谁”中提取出“SpaceX”。图检索子图提取以识别出的实体为起点在图谱中进行遍历。通常会提取该实体在N度关系内的所有邻居节点和边例如2度关系即朋友的朋友形成一个与问题相关的子知识图谱。上下文合成将这个子图转换成一段连贯的自然语言描述。例如将(马斯克创立SpaceX)和(SpaceX位于美国)等关系转化为“马斯克创立了SpaceX公司该公司位于美国”。答案生成将原始问题、以及上一步合成的基于图谱的上下文一同提交给LLM指令其基于提供的上下文回答问题。最终生成答案。整个流程的核心在于传递给最终答案生成阶段的“上下文”不再是原始的、可能碎片化的文本片段而是经过图谱推理和浓缩的、富含实体关系的结构化信息摘要。这极大地提升了上下文的质量和答案的可靠性。3. 环境搭建与核心组件解析3.1 基础环境与依赖安装开始动手之前你需要准备一个Python环境建议3.9以上版本。项目的轻量化特性使得环境搭建非常简单。首先克隆仓库并安装核心依赖git clone https://github.com/gusye1234/nano-graphrag.git cd nano-graphrag pip install -r requirements.txtrequirements.txt文件通常包含以下几个关键库llama-index核心RAG框架用于组织文档加载、分块、LLM调用等流程。openai如果你使用OpenAI的模型如GPT-4作为LLM引擎需要这个库。当然你也可以配置成使用本地模型如通过llama-index的HuggingFaceLLM。networkx用于在内存中构建和操作图。py2neo或neo4j如果你选择使用Neo4j图数据库作为后端需要对应的Python驱动。python-dotenv用于管理环境变量特别是你的LLM API密钥。实操心得建议在安装前创建一个新的虚拟环境如conda create -n nano_graphrag python3.10避免与现有环境冲突。另外llama-index版本迭代较快如果遇到API不兼容的问题可以尝试指定稍早一点的稳定版本例如pip install llama-index0.10.0。具体版本需参考项目README。3.2 LLM配置引擎与成本考量Nano-GraphRAG的核心能力依赖于LLM主要在两个环节知识提取和最终答案生成。项目默认配置是使用OpenAI的API。获取API密钥前往OpenAI平台注册并获取API Key。配置环境变量在项目根目录创建.env文件内容如下OPENAI_API_KEY你的sk-xxx密钥在代码中使用dotenv加载它。代码中初始化LLM在nano-graphrag的代码中你会看到类似以下的初始化片段具体可能因版本略有不同from llama_index.llms import OpenAI from llama_index import ServiceContext llm OpenAI(modelgpt-3.5-turbo, temperature0.1) # 知识提取时temperature宜低保证稳定性 service_context ServiceContext.from_defaults(llmllm, chunk_size512)成本与模型选择建议知识提取这是一个“批处理”任务会消耗大量Token。对于实验或中小文档使用gpt-3.5-turbo是性价比最高的选择。它的提取能力对于一般文档已经足够。将temperature设置为较低值如0.1可以减少输出的随机性让提取的三元组更一致。答案生成这是面向用户的交互任务对质量要求更高。可以考虑使用gpt-4或gpt-4-turbo来获得更精准、逻辑性更强的答案。当然如果问题简单gpt-3.5-turbo也完全能胜任。本地模型如果你关注数据隐私或希望零成本运行可以配置llama-index使用本地模型例如通过HuggingFaceLLM加载Llama 3、Qwen等开源模型。但需要注意本地模型在指令遵循和结构化输出提取三元组方面的能力可能弱于GPT系列需要更精细的提示词工程且对硬件GPU内存有要求。3.3 图存储后端选型NetworkX vs. Neo4j这是项目提供的两个主要选项选择取决于你的场景1. NetworkX内存图是什么一个纯粹的Python图论库将图数据完全保存在程序内存中。优点零配置无需安装任何额外服务import networkx as nx即可使用。极速实验对于几百个节点的小型图谱构建和查询速度非常快。无缝集成与Python数据分析栈如pandas, matplotlib结合方便便于分析和可视化图谱。缺点容量限制受限于内存大小无法处理百万级以上节点的图谱。持久化程序关闭后数据消失。需要自己实现序列化如用pickle保存来持久化图谱。查询功能弱仅支持基础的图遍历算法缺乏像Cypher那样强大的声明式图查询语言。适用场景快速原型验证、处理单篇论文或报告等小型文档、学习图算法。2. Neo4j图数据库是什么一个专业的、原生图数据库使用Cypher查询语言数据存储在磁盘上并由独立服务管理。优点海量数据专为处理大规模、高度连接的数据而设计。持久化与并发数据持久存储支持多用户并发访问。强大查询Cypher语言使得表达复杂的图模式匹配和遍历变得极其简单和高效。例如查找“所有两度以内的朋友”这种查询一句Cypher就能搞定。可视化工具Neo4j Browser提供了出色的交互式图可视化界面方便探索和理解构建的图谱。缺点需要部署需要安装并运行Neo4j数据库服务可用Docker快速部署。额外学习需要学习基本的Cypher查询语言。适用场景处理大型文档集如公司知识库、生产环境部署、需要复杂关系查询的应用。选择建议如果你是第一次接触GraphRAG强烈建议从NetworkX开始。它能让你绕过所有基础设施的复杂性直接聚焦于核心概念和流程。当你理解了整个过程并且需要处理更大数据量时再迁移到Neo4j。项目代码通常通过一个配置项或不同的初始化类来切换后端迁移成本很低。4. 实战演练构建你的第一个知识图谱问答系统4.1 数据准备与文档处理我们以一篇关于“人工智能发展简史”的虚构短文保存为ai_history.txt为例进行演示。文档内容包含多个实体和关系例如“1956年约翰·麦卡锡在达特茅斯会议上提出了‘人工智能’一词。随后艾伦·图灵发表了论文《计算机器与智能》并提出了著名的图灵测试。专家系统在20世纪80年代成为主流但随后遭遇了‘AI寒冬’。直到2012年亚历克斯·克里泽夫斯基的AlexNet在ImageNet竞赛中取得突破深度学习时代才真正开启。”首先我们需要加载并预处理文档。llama-index提供了丰富的Readerfrom llama_index import SimpleDirectoryReader # 加载文档 documents SimpleDirectoryReader(input_dir./your_data_folder).load_data() print(fLoaded {len(documents)} document(s).) # 假设我们的txt文件内容已加载到documents[0].text中接下来是分块Chunking。这里的分块策略需要权衡块太大LLM可能无法一次性提取所有三元组块太小会割裂跨句子的关系并增加API调用成本。通常对于通用文本选择500-1000字符的重叠块效果较好。from llama_index.node_parser import SimpleNodeParser parser SimpleNodeParser.from_defaults(chunk_size512, chunk_overlap50) nodes parser.get_nodes_from_documents(documents) print(fSplit into {len(nodes)} text chunks.)4.2 核心中的核心知识提取提示词工程这是GraphRAG成败的关键一步。我们需要设计一个提示词让LLM能够稳定、准确地从一段文本中提取出结构化的三元组。Nano-GraphRAG项目通常会提供一个基础的提示词模板。一个有效的提示词通常包含以下几个部分角色定义明确告诉LLM它要扮演的角色如“你是一个知识图谱构建专家”。任务指令清晰说明需要从输入文本中提取(实体关系实体)三元组。关系列表可选但推荐提供一个预定义的关系类型列表让LLM从中选择。这可以大大提高关系的一致性。例如[位于, 创立于, 毕业于, 发明了, 提出了, 影响了, 是...的一部分]。输出格式严格要求LLM以指定的格式如JSON列表输出方便程序解析。示例Few-shot给出一两个输入文本和对应输出的例子让LLM更好地理解任务。# 一个简化的提示词示例 knowledge_extraction_prompt 你是一个知识提取专家。你的任务是从给定的文本中识别出实体以及实体之间的关系。 请从以下文本中提取所有重要的(实体关系实体)三元组。 关系请尽量使用以下列表中的类型[提出, 发表, 发明, 领导, 发生于, 导致]。 输出格式必须是一个JSON列表每个元素是一个字典包含subject, relation, object三个键。 例如[{subject: 约翰·麦卡锡, relation: 提出, object: 人工智能}] 文本 {text} 请直接输出JSON列表不要有任何其他解释。 在实际代码中我们需要遍历所有nodes将每个节点的文本填入提示词调用LLM并解析返回的JSON。避坑技巧处理解析失败LLM的输出可能不符合JSON格式。务必在代码中添加try...except对解析失败的结果进行日志记录或采用默认值如空列表。实体归一化LLM可能对同一实体使用不同称呼如“AlexNet”和“亚历克斯网络”。在构建图谱前可以添加一个简单的实体归一化步骤比如基于字符串相似度或一个小型映射表进行合并。控制成本与速率批量提取时注意OpenAI API的速率限制TPM/RPM。可以在循环中添加time.sleep()或者使用异步调用。4.3 图谱构建与存储实现接收到所有三元组后我们就可以构建图谱了。以下是使用networkx的示例import networkx as nx import json def build_graph_from_triplets(triplets_list): 将三元组列表构建成networkx图 G nx.Graph() # 使用无向图或有向图DiGraph取决于关系是否有方向 for triplets in triplets_list: # triplets_list 是来自所有文本块的提取结果 for trip in triplets: subject trip[subject] relation trip[relation] obj trip[object] # 添加节点 G.add_node(subject, typeentity) G.add_node(obj, typeentity) # 添加边关系作为边的属性 G.add_edge(subject, obj, relationrelation) return G # 假设extracted_triplets是一个列表每个元素是一个文本块提取出的三元组列表 knowledge_graph build_graph_from_triplets(extracted_triplets) print(fGraph built with {knowledge_graph.number_of_nodes()} nodes and {knowledge_graph.number_of_edges()} edges.) # 可选简单可视化 import matplotlib.pyplot as plt pos nx.spring_layout(knowledge_graph, seed42) nx.draw(knowledge_graph, pos, with_labelsTrue, node_colorskyblue, edge_colorgray) plt.show()如果选择Neo4j代码会涉及连接数据库和执行Cypher语句from neo4j import GraphDatabase class Neo4jGraphStore: def __init__(self, uri, user, password): self.driver GraphDatabase.driver(uri, auth(user, password)) def add_triplet(self, subject, relation, obj): with self.driver.session() as session: session.run( MERGE (s:Entity {name: $subject}) MERGE (o:Entity {name: $object}) MERGE (s)-[r:RELATION {type: $relation}]-(o), subjectsubject, relationrelation, objectobj ) # 初始化并添加所有三元组 graph_store Neo4jGraphStore(bolt://localhost:7687, neo4j, password) for trip in all_triplets: # all_triplets是所有三元组的扁平列表 graph_store.add_triplet(trip[subject], trip[relation], trip[object])4.4 问答流程集成与测试图谱构建好后我们来实现问答流程。这需要实现前面提到的关键实体识别、子图检索和上下文合成。1. 关键实体识别再次利用LLM。def extract_entities_from_question(question, llm): prompt f 请从以下问题中提取出核心的实体名称。输出为JSON列表格式如[实体1, 实体2]。 问题{question} response llm.complete(prompt) # 解析response.text获取实体列表 import json try: entities json.loads(response.text) except: # 简单回退按逗号分割或返回整个问题作为关键词不推荐 entities [question] return entities2. 子图检索以NetworkX为例从问题实体出发探索邻居。def get_related_subgraph(graph, entities, depth2): 获取与实体集在指定深度内相关的子图 subgraph_nodes set() for entity in entities: if entity in graph: # 获取depth度内的所有邻居节点 neighbors nx.single_source_shortest_path_length(graph, entity, cutoffdepth) subgraph_nodes.update(neighbors.keys()) # 诱导子图 subgraph graph.subgraph(subgraph_nodes) return subgraph3. 上下文合成将子图转换为文字。def subgraph_to_text(subgraph): 将networkx子图转换为自然语言描述 descriptions [] for u, v, data in subgraph.edges(dataTrue): relation data.get(relation, 相关) descriptions.append(f{u} {relation} {v}。) # 也可以包含节点属性等信息 return .join(descriptions)4. 最终答案生成组装提示词调用LLM。def answer_with_graphrag(question, graph, llm): # 1. 识别问题实体 entities extract_entities_from_question(question, llm) # 2. 检索子图 subgraph get_related_subgraph(graph, entities, depth2) # 3. 合成上下文 graph_context subgraph_to_text(subgraph) # 4. 生成答案 final_prompt f 请基于以下背景信息回答问题。如果信息不足以回答问题请如实说明。 背景信息 {graph_context} 问题{question} 答案 answer llm.complete(final_prompt) return answer.text现在你可以测试你的系统了question 谁提出了人工智能这个概念 answer answer_with_graphrag(question, knowledge_graph, llm) print(fQ: {question}) print(fA: {answer}) # 期望输出约翰·麦卡锡在达特茅斯会议上提出了“人工智能”一词。通过这个完整的流程你就成功搭建并运行了一个最小化的Nano-GraphRAG系统。它虽然简单但已经包含了从文档到图谱再从图谱到答案的核心闭环。5. 高级技巧、优化方向与常见问题5.1 提升知识提取质量的实战技巧初始的三元组提取质量直接决定图谱的优劣。以下是一些提升提取效果的技巧迭代式提示词优化分阶段提取先让LLM提取实体再让它在实体间建立关系。这有时比一步到位更准确。增加约束在提示词中明确“忽略普通动作描述只提取具有持久性、定义性的关系”减少噪音。提供反例在Few-shot示例中不仅展示正确的提取也展示一些常见的错误提取并说明为什么错。后处理与清洗关系标准化LLM提取的关系词可能五花八门“创建”、“创立”、“创办”。可以建立一个同义词映射表将它们归一化为标准关系如“创立”。过滤无效三元组设定规则过滤掉一些明显无意义或重复的三元组例如头实体和尾实体相同的、关系词为“是”、“在”等过于泛化的。置信度评分高级可以尝试让LLM为每个提取的三元组输出一个置信度分数后续只保留高置信度的部分。使用更强大的模型如果使用gpt-3.5-turbo提取效果不佳可以尝试gpt-4或claude-3系列模型。它们在遵循复杂指令和结构化输出方面通常更强。5.2 图检索策略的优化默认的“N度邻居”检索策略可能不够精准。可以考虑以下优化带权重的图遍历为图中的边赋予权重。权重可以来源于关系类型的重要性定义“创立”、“发明”等核心关系权重高“提及”、“描述”等边缘关系权重低。来源文本的置信度从高质量段落提取的三元组权重更高。在检索时使用带权重的图算法如Dijkstra算法来寻找与问题实体最“相关”而非仅仅最“近”的节点。融合向量检索纯图检索可能遗漏那些语义相关但未直接相连的信息。可以采用混合检索策略先将用户问题嵌入成向量。同时进行两种检索a) 图检索获取结构化关系b) 传统向量检索获取语义相似的文本片段。将两种检索结果融合后再合成上下文送给LLM。这结合了结构化和语义化检索的优点。问题分类路由不是所有问题都适合用图来回答。可以训练一个简单的分类器或者用规则/提示词判断事实型问题谁、何时、何地适合图检索。观点型、总结型问题可能更适合传统的向量检索或直接让LLM基于全文概括。根据问题类型动态选择最合适的检索策略。5.3 性能瓶颈分析与优化随着文档量增大你会遇到性能瓶颈主要在两个阶段知识提取阶段瓶颈API调用延迟和Token消耗。优化批量处理将多个文本块组合在一个Prompt中需注意上下文长度限制一次API调用提取多个块的知识减少调用次数。异步并发使用asyncio或线程池并发调用API充分利用等待时间。缓存对相同的文本块提取结果进行缓存避免重复处理。降级模型对简单文档或初步实验可以使用更小、更快的本地模型进行粗提取。图查询阶段特别是Neo4j瓶颈复杂查询的响应时间。优化建立索引在Neo4j中为实体名称属性创建索引可以极大加速节点查找。优化Cypher查询避免使用会导致全图扫描的查询模式。利用PROFILE命令分析查询计划。限制检索深度和数量合理设置子图检索的深度如2-3度并限制返回的节点和边数量避免生成过于庞大的上下文。5.4 常见问题与故障排查实录在实际操作中你肯定会遇到各种问题。下面是我踩过的一些坑和解决方法Q1: LLM在提取三元组时经常输出非JSON格式导致程序解析失败。原因提示词约束力不够或者模型特别是小模型的指令遵循能力有限。解决在提示词中用三个引号包裹JSON示例并强调“必须严格遵循此格式”。使用输出解析器Output Parser。llama-index和LangChain都提供了相关工具可以强制将输出格式化为JSON或Pydantic模型。加入后处理正则表达式尝试从杂乱的输出中提取出类似JSON的结构。如果以上都无效考虑升级到更强大的模型如GPT-4。Q2: 构建的图谱噪声很大包含很多无关或错误的关系。原因文档质量不高、提示词不精准、或模型对领域知识理解不足。解决预处理文档清理无关文本页眉页脚、广告、进行拼写纠正。精炼提示词提供更具体的关系列表并加入领域相关的示例。人工审核与迭代这是构建高质量知识图谱的必经之路。抽取一小部分结果进行人工检查根据错误模式调整提示词或后处理规则。引入验证步骤可以设计第二个LLM调用对提取的三元组进行“是否合理”的二元判断过滤掉低置信度的。Q3: 对于复杂问题系统给出的答案仍然不准确或包含幻觉。原因检索到的子图信息不完整或者LLM在生成时忽略了部分上下文。解决扩大检索范围适当增加子图检索的深度depth参数。检查上下文合成确保subgraph_to_text函数生成的描述是连贯、准确的。有时候杂乱的边描述拼接会误导LLM。增强生成提示词在最终答案生成的Prompt中加入更强烈的指令如“必须严格且仅依据提供的背景信息回答问题如果信息中没有请回答‘根据已知信息无法回答’。”实现检索增强Rerank在得到子图后可以用问题向量对子图中的边或其对应的原始文本进行相关性重排序只保留最相关的部分合成上下文。Q4: 使用Neo4j时连接失败或查询慢。检查连接确认Neo4j服务是否启动neo4j console以及代码中的URI、用户名、密码是否正确。默认的Bolt端口是7687。检查索引在Neo4j Browser中运行:schema查看是否已为实体名称创建了索引。如果没有运行CREATE INDEX ON :Entity(name)。分析查询在Neo4j Browser中在你的Cypher查询前加上PROFILE查看执行计划寻找全节点扫描等耗时操作并优化查询模式。Q5: 处理长文档时程序内存溢出使用NetworkX时。原因NetworkX将整个图放在内存中节点和边过多导致内存不足。解决切换到Neo4j这是处理大规模图的正确方式。优化提取提高提取门槛只保留高置信度、重要的三元组减少图谱规模。分文档处理如果文档集相互独立可以为每个文档构建独立的子图查询时分别检索再合并结果。经过这些优化和问题排查你的Nano-GraphRAG系统会变得更加健壮和实用。这个项目最大的价值在于它提供了一个清晰、可操作的框架让你能深入理解GraphRAG的每一个环节并在此基础上进行自由地实验和创新。无论是想用它来解决实际的文档分析问题还是作为学习知识图谱与大模型结合的跳板它都是一个绝佳的起点。