管道架構概述

RAG 管道由多個處理階段組成，這些階段將文本內容轉換為適合智能檢索的結構化知識表示：

文檔到知識圖譜工作流程

主要處理工作流程通過 run_graphrag 功能將單個文檔塊轉換為統一的知識圖譜：

GraphRAG 處理方法

RAGFlow 支持兩種不同的 GraphRAG 提取方法，每種方法都針對不同的用例進行了優化：

Light GraphRAG 方法

Light 方法使用簡化的基于提示的方法來加快處理速度：

通用 GraphRAG 方法

常規方法通過多個驗證步驟提供更全面的提取：

實體解析和圖形合并

實體解析過程使用基于 LLM 的相似性分析來識別和合并重復實體：

知識圖譜存儲和索引

處理后的知識圖譜以多層格式存儲，支持圖和向量運算：

RAPTOR 分層處理

RAPTOR（用于樹組織檢索的遞歸抽象處理）提供分層聚類和總結：

與檢索系統集成

RAG Pipeline 通過標準化的塊格式和搜索界面與 RAGFlow 更廣泛的檢索系統集成：

元件	積分點	數據格式
知識圖譜實體	knowledge_graph_kwd: “entity”	entity_kwd、entity_type_kwd、content_with_weight
知識圖譜關系	knowledge_graph_kwd: “relation”	from_entity_kwd、to_entity_kwd、weight_int
社區報告	knowledge_graph_kwd: “community_report”	entities_kwd、weight_flt、docnm_kwd
圖結構	knowledge_graph_kwd: “graph”	NetworkX 序列化為 JSON
猛禽摘要	標準塊格式	分層嵌入向量

管道支持通過多種查詢模式進行檢索：