GraphRAG实战

本书深入研究了业界领 先的微软与Neo4j GraphRAG解决方案，结合 中国国产大模型的应用条件 ，用一个贯通全书的例子， 探索GraphRAG在国内各行 业具体应用场景中落地实施 的开源集成解决方案，具有 较好的可操作性和较高的性 价比，尤其适用于资源有限 的各种中小型组织快速地开 发、测试、集成与部署 GraphRAG应用，用大模型 AI为传统业务赋能。本书也 适用于对GraphRAG技术感 兴趣的技术人员、教师、学 生等读者，可提供 GraphRAG技术现状的概览 与快速入门指导。

1 在WSL2上搭建GPU Linux Server深度学习环境 1.1 在Windows WSL2上安装Ubuntu 22 1.2 安装Ubuntu 22 PyTorch深度学习开发环境 1.3 安装配置Jupyter Hub 1.4 在PyTorch上运行HanLP 1.5 Neo4j Community安装配置 2 微软GraphRAG 2.1 微软GraphRAG测试 2.2 Ollama本地运行 3 Neo4j GraphRAG 3.1 安装Docker 3.2 Neo4j KGBuilder安装 3.3 Neo4j KGBuilder测试 3.4 在Python中调用KGBuilder 4 开发GraphRAG应用 4.1 实体关系提取与导入 4.2 实体工程：索引、合并与社区摘要 4.3 局部查询与全局查询 5 Agent开发 5.1 实现多轮对话的GraphRAG局部查询 5.2 用LangSmith调试 5.3 用Agent实现局部查询 5.4 定制自己的Agent 5.5 为Agent增加全局查询 6 在GraphRAG中应用国产大模型 6.1 国产大模型接入LangChain 6.2 用国产大模型构建知识图谱 6.3 在Agent中应用国产大模型 7 本地部署LLM 7.1 Ollama本地部署LLM 7.2 端侧小模型MiniCPM3测试 7.3 其他端侧运行LLM的方法 8 开发GraphRAG APP 8.1 用FastAPI公开Agent调用 8.2 Shiny for Python开发环境安装配置 8.3 Shiny for Python APP开发 9 GraphRAG应用评估 9.1 用Ragas评估GraphRAG应用 9.2 评估指标原理 9.3 LangSmith查看LLM调用序列