管道架构概述

RAG 管道由多个处理阶段组成，这些阶段将文本内容转换为适合智能检索的结构化知识表示：

文档到知识图谱工作流程

主要处理工作流程通过 run_graphrag 功能将单个文档块转换为统一的知识图谱：

GraphRAG 处理方法

RAGFlow 支持两种不同的 GraphRAG 提取方法，每种方法都针对不同的用例进行了优化：

Light GraphRAG 方法

Light 方法使用简化的基于提示的方法来加快处理速度：

通用 GraphRAG 方法

常规方法通过多个验证步骤提供更全面的提取：

实体解析和图形合并

实体解析过程使用基于 LLM 的相似性分析来识别和合并重复实体：

知识图谱存储和索引

处理后的知识图谱以多层格式存储，支持图和向量运算：

RAPTOR 分层处理

RAPTOR（用于树组织检索的递归抽象处理）提供分层聚类和总结：

与检索系统集成

RAG Pipeline 通过标准化的块格式和搜索界面与 RAGFlow 更广泛的检索系统集成：

元件	积分点	数据格式
知识图谱实体	knowledge_graph_kwd: “entity”	entity_kwd、entity_type_kwd、content_with_weight
知识图谱关系	knowledge_graph_kwd: “relation”	from_entity_kwd、to_entity_kwd、weight_int
社区报告	knowledge_graph_kwd: “community_report”	entities_kwd、weight_flt、docnm_kwd
图结构	knowledge_graph_kwd: “graph”	NetworkX 序列化为 JSON
猛禽摘要	标准块格式	分层嵌入向量

管道支持通过多种查询模式进行检索：