Trải nghiệm khi dùng GraphRAG
Bạn tạo một thư mục dự án, bật môi trường ảo Python và cài graphrag bằng pip. Lệnh graphrag init sinh ra tệp .env, tệp cấu hình settings.yaml và thư mục input. Bạn bỏ văn bản cần phân tích vào input, điền khoá API vào .env, rồi chạy graphrag index để hệ thống đọc và lập chỉ mục.
Quá trình lập chỉ mục gọi mô hình AI rất nhiều lần để rút thực thể, quan hệ và viết tóm tắt, nên tài liệu chính thức cảnh báo nó có thể tiêu tốn nhiều tài nguyên LLM và khuyên bạn bắt đầu bằng bộ dữ liệu mẫu nhỏ cùng mô hình nhanh, rẻ. Kết quả lưu ở thư mục output dưới dạng tệp parquet.
Sau đó bạn hỏi bằng graphrag query. Với câu hỏi bao quát như 'các chủ đề chính của cuốn sách là gì', dùng phương thức mặc định; với câu hỏi về một nhân vật hay thực thể cụ thể, dùng phương thức local. Đây là công cụ nghiên cứu và demo, không phải ứng dụng dành cho người dùng cuối.
Tính năng nổi bật
Dựng đồ thị tri thức từ văn bản
Dùng LLM rút thực thể và quan hệ rồi gom thành đồ thị cùng các tóm tắt theo cụm.
Trả lời câu hỏi tổng quát
Phù hợp với những câu như tóm lược chủ đề của cả bộ tài liệu, thứ mà tìm kiếm đoạn văn đơn thuần khó làm.
Hai kiểu truy vấn
Truy vấn mặc định cho câu hỏi bao quát và --method local cho câu hỏi về thực thể cụ thể.
Dòng lệnh đơn giản
Chỉ cần ba lệnh graphrag init, graphrag index, graphrag query để đi từ văn bản tới câu trả lời.
Tinh chỉnh prompt
Có hướng dẫn chỉnh lời nhắc (prompt tuning) để hợp với lĩnh vực dữ liệu của bạn.
Tài liệu và bài báo gốc
Có blog Microsoft Research, bài báo arXiv và tài liệu chi tiết để tìm hiểu phương pháp.
Tận dụng GraphRAG vào việc gì?
Nhà nghiên cứu, người làm báo
Tóm lược chủ đề của một tập tài liệu lớn
Đưa nhiều bài viết, biên bản, thư từ vào và hỏi các câu như những chủ đề nào xuất hiện nhiều nhất.
Nhà phân tích, sinh viên
Tìm hiểu quan hệ giữa người, tổ chức trong văn bản
Hỏi về một nhân vật hoặc đơn vị và nhận câu trả lời tổng hợp từ nhiều đoạn rải rác.
Lập trình viên, người học AI
Học và thử nghiệm kỹ thuật RAG dựa trên đồ thị
Làm theo quickstart với bộ dữ liệu mẫu để hiểu cách đồ thị tri thức hỗ trợ truy xuất.
Đội kỹ thuật
So sánh với RAG vector truyền thống
Chạy cùng một tập tài liệu qua hai cách để đánh giá chất lượng và chi phí trước khi chọn kiến trúc.
Cần chuẩn bị gì?
- Python từ 3.10 đến 3.12 (theo trang bắt đầu của tài liệu).
- Khoá API của OpenAI hoặc Azure OpenAI (hoặc cấu hình mô hình khác theo tài liệu); chi phí gọi mô hình có thể lớn.
- Biết dùng Terminal, môi trường ảo Python và chỉnh tệp cấu hình YAML.
- Dữ liệu văn bản đầu vào; hãy bắt đầu nhỏ để kiểm soát chi phí.
Hướng dẫn cài đặt chi tiết
Cài trên pip
Tạo thư mục dự án và môi trường ảo Python (3.10 đến 3.12).
mkdir graphrag_quickstart cd graphrag_quickstart python -m venv .venvKích hoạt môi trường ảo: Windows PowerShell dùng lệnh thứ nhất, macOS và Linux dùng lệnh thứ hai.
.venv\Scripts\Activate.ps1 # macOS / Linux: source .venv/bin/activateCài GraphRAG.
python -m pip install graphragKhởi tạo dự án. Lệnh này tạo
.env,settings.yamlvà thư mụcinput.graphrag initMở tệp
.envvà thayGRAPHRAG_API_KEYbằng khoá API OpenAI hoặc Azure OpenAI của bạn; với Azure còn cần thêm cấu hình trongsettings.yamltheo tài liệu.
Dùng thử lần đầu
Đặt một tệp văn bản vào thư mục
input. Tài liệu chính thức dùng một cuốn sách ngắn làm ví dụ; bạn có thể dùng văn bản nhỏ của riêng mình để tiết kiệm chi phí.Chạy lập chỉ mục. Đây là bước tốn nhiều lượt gọi AI, nên với lần thử đầu hãy dùng ít dữ liệu và mô hình rẻ.
graphrag indexHỏi một câu bao quát về toàn bộ văn bản.
graphrag query "Những chủ đề chính của văn bản này là gì?"Hỏi về một thực thể cụ thể bằng phương thức local.
graphrag query "Nhân vật chính có quan hệ với những ai?" --method localĐọc hướng dẫn Prompt Tuning trong tài liệu để cải thiện kết quả theo lĩnh vực dữ liệu của bạn.
Mẹo dùng hay
- Luôn chạy thử trên bộ dữ liệu nhỏ và mô hình rẻ trước khi lập chỉ mục dữ liệu thật; chi phí tăng nhanh theo dung lượng.
- Khi nâng cấp phiên bản nhỏ, README khuyên chạy
graphrag init --root [đường dẫn] --forceđể có định dạng cấu hình mới, nhớ sao lưu cấu hình và prompt vì lệnh này sẽ ghi đè. - Đọc tài liệu về thay đổi gây lỗi (breaking changes) trước khi nâng cấp phiên bản lớn.
Lưu ý và hạn chế
- README cảnh báo dự án phần lớn ở chế độ bảo trì: không nhận PR mới và không thêm tính năng, chỉ sửa lỗi và cập nhật phụ thuộc.
- Mã được cung cấp như bản minh hoạ phương pháp, không phải sản phẩm Microsoft được hỗ trợ chính thức.
- Lập chỉ mục tốn nhiều lượt gọi mô hình AI nên có thể rất đắt; luôn bắt đầu nhỏ. Đọc thêm tài liệu AI có trách nhiệm (RAI) về giới hạn của phương pháp.
Câu hỏi thường gặp
GraphRAG khác RAG thường ở điểm nào?
RAG thường tìm các đoạn văn gần nghĩa với câu hỏi. GraphRAG dựng thêm đồ thị thực thể và bản tóm tắt theo cụm, giúp trả lời tốt hơn các câu hỏi tổng hợp trên cả bộ tài liệu, đổi lại chi phí lập chỉ mục cao hơn.
Có miễn phí không?
Phần mềm miễn phí theo giấy phép MIT, nhưng bạn trả phí cho API mô hình AI khi lập chỉ mục và truy vấn, và khoản này có thể đáng kể.
Có nên chọn GraphRAG cho dự án mới không?
Hãy cân nhắc: dự án đang ở chế độ bảo trì. Bạn có thể xem LightRAG hoặc RAGFlow nếu cần công cụ phát triển tích cực hơn, và dùng GraphRAG chủ yếu để học phương pháp.
Tải mã nguồn về máy
Nếu bạn muốn xem hoặc sửa mã nguồn, mở Terminal (trên Windows là PowerShell) và chạy lệnh dưới. Máy cần cài sẵn Git.
git clone https://github.com/microsoft/graphrag.gitRepo tương tự nên xem
LightRAG
HKUDS / LightRAG
Hệ thống RAG đơn giản và nhanh dựa trên đồ thị tri thức, kèm máy chủ và giao diện web để hỏi đáp tài liệu
RAGFlow
infiniflow / ragflow
Nền tảng tự cài giúp AI trả lời dựa trên tài liệu của bạn, có trích dẫn nguồn.
LlamaIndex
run-llama / llama_index
Khung lập trình Python để cho AI đọc và trả lời dựa trên tài liệu, dữ liệu riêng của bạn