企业官网建设流程全解析

DB-GPT 图数据文件解剖：以 graphrag-mini.md 为例理解 GraphRAG 知识图谱构建与检索链路

【免费下载链接】DB-GPTopen-source agentic AI data assistant for the next generation of AI + Data products.项目地址: https://gitcode.com/GitHub_Trending/db/DB-GPT

本篇技术指南以 DB-GPT 仓库中的测试数据文件 examples/test_files/graphrag-mini.md 为解剖样本，完整讲解它作为 GraphRAG 测试语料的数据结构设计、与真实知识库文档 examples/test_files/graphrag-test.md 的关系，以及它在知识图谱构建、社区摘要（Community Summary）和多模态检索中的实际作用。读完本文，你将掌握 DB-GPT 中 Markdown 知识图谱数据文件应如何组织，理解 TuGraph 图存储上"三元组图谱 + 文档结构图"双图构建与检索的完整链路，并能够直接运行仓库自带的 GraphRAG 端到端示例进行验证。

一、graphrag-mini.md 是什么：GraphRAG 的"最小可运行语料"

在 DB-GPT 中，examples/test_files/graphrag-mini.md 并不是普通的产品文档，而是一份经过刻意设计的GraphRAG 测试数据集。它被 examples/rag/graph_rag_example.py 两个测试用例直接引用为知识来源：

@pytest.mark.asyncio async def test_naive_graph_rag(): await __run_graph_rag( knowledge_file="examples/test_files/graphrag-mini.md", chunk_strategy="CHUNK_BY_SIZE", knowledge_graph=__create_naive_kg_connector(), question="What's the relationship between TuGraph and DB-GPT ?", ) @pytest.mark.asyncio async def test_community_graph_rag(): await __run_graph_rag( knowledge_file="examples/test_files/graphrag-mini.md", chunk_strategy="CHUNK_BY_MARKDOWN_HEADER", knowledge_graph=__create_community_kg_connector(), question="What's the relationship between TuGraph and DB-GPT ?", )

注意上面两个用例刻意使用了两种不同的分块策略：

• CHUNK_BY_SIZE：按固定大小切块，适合朴素知识图谱（BuiltinKnowledgeGraph）的测试；
• CHUNK_BY_MARKDOWN_HEADER：按 Markdown 标题层级切块，这是社区摘要知识图谱（CommunitySummaryKnowledgeGraph）的推荐方式。

从源码结构看，这份文件是"完整版"图数据文件 examples/test_files/graphrag-test.md 的精简子集，其内容可以拆成三块（下文逐块剖析）。

二、解析语料结构：三元组、图谱文本与项目简介

2.1 用"可解析三元组"表达图结构

graphrag-mini.md的开头部分采用了一组结构化三元组行来编码图谱，例如：

Entities: (TuGraph-family/tugraph-db#github_repo) (vesoft-inc/nebula#github_repo) (PaddlePaddle/Paddle#github_repo) ... Relationships: (TuGraph-family/tugraph-db#common_developer#vesoft-inc/nebula#common_developer count 10) (eosphoros-ai/DB-GPT#belong_to#eosphoros-ai#belong_to)

这种(主体, 谓词, 客体)的元组表达法，恰好与 DB-GPT 三元组抽取器的输出格式完全对齐。查看三元组抽取的实现 packages/dbgpt-ext/src/dbgpt_ext/rag/transformer/triplet_extractor.py，其中 Prompt 明确要求 LLM 以(subject, predicate, object)的形式输出，解析时通过正则r"\((.*?)\)"提取每行括号内容、再按逗号切分为三个字段：

for line in text.split("\n"): for match in re.findall(r"\((.*?)\)", line): splits = match.split(",") parts = [split.strip() for split in splits if split.strip()] if len(parts) == 3: parts = [p.strip("`~!@#$%^&*()-=+[]\\{}|;':\",./<>?·！￥&*（）—【】、「」；‘’：“”，。、《》？") for p in parts] triplets.append(tuple(parts))

也就是说，examples/test_files/graphrag-mini.md 中手写的三元组与TripletExtractor生成的图谱采用同一种数据契约，这保证了语料即使被重新分块、重新抽取，也能稳定地回填进图数据库。

2.2 语料中的语义关系解读

文件中出现的谓词具有明确的语义：

这些关系正是 TuGraph 生态图谱分析工具 OSGraph 的输出格式。可以看出graphrag-mini.md直接继承了 graphrag-test.md 中DB-GPT 项目生态图谱与TuGraph DB 项目生态图谱两个小节的数据。

2.3 图谱文本段：供社区摘要的实体-关系叙述

在graphrag-mini.md的后半部分还有两段纯文本段落："# TuGraph简介" 与 "# DB-GPT简介"，例如：

TuGraph图数据库由蚂蚁集团与清华大学联合研发，构建了一套包含图存储、图计算、图学习、图研发平台的完善的图技术体系…… DB-GPT是一个开源的AI原生数据应用开发框架(AI Native Data App Development framework with AWEL(Agentic Workflow Expression Language) and Agents)。目的是构建大模型领域的基础设施……

这两段既是给 LLM 做实体-关系抽取的原始素材，也是 GraphRAG 中"社区摘要（Community Summary）"机制的天然支撑——这正是test_community_graph_rag使用CHUNK_BY_MARKDOWN_HEADER的原因：以#标题为界切出的 chunk 天然对应"TuGraph 简介 / DB-GPT 简介"这样的语义单元。

三、GraphRAG 数据构建链路：从文件到图数据库

3.1 读取与分块：Markdown 加载器

文件通过KnowledgeFactory.from_file_path()加载，命中 Markdown 知识类 packages/dbgpt-ext/src/dbgpt_ext/rag/knowledge/markdown.py：

def support_chunk_strategy(cls) -> List[ChunkStrategy]: return [ ChunkStrategy.CHUNK_BY_SIZE, ChunkStrategy.CHUNK_BY_MARKDOWN_HEADER, ChunkStrategy.CHUNK_BY_SEPARATOR, ] @classmethod def default_chunk_strategy(cls) -> ChunkStrategy: return ChunkStrategy.CHUNK_BY_MARKDOWN_HEADER

分块策略的枚举定义位于 packages/dbgpt-core/src/dbgpt/rag/knowledge/base.py：CHUNK_BY_SIZE默认chunk_size=512、chunk_overlap=50，使用递归字符切分器；CHUNK_BY_MARKDOWN_HEADER使用MarkdownHeaderTextSplitter，会保留标题层级信息写入 chunk 的 metadata（形如{"Header0": ..., "Header1": ..., "source": ...}），这正是后续文档结构图得以构建的基础。

3.2 双图构建：三元组图谱 + 文档结构图

加载入口位于 examples/rag/graph_rag_example.py 的__run_graph_rag，通过EmbeddingAssembler.aload_from_knowledge(index_store=knowledge_graph, retrieve_strategy=RetrieverStrategy.GRAPH)触发图索引。

社区摘要知识图谱的实现 packages/dbgpt-ext/src/dbgpt_ext/storage/knowledge_graph/community_summary.py 中，aload_document依次执行三步：

async def aload_document(self, chunks, file_id=None): if not self.vector_name_exists(): self._graph_store_adapter.create_graph(self._graph_name) await self._aload_document_graph(chunks) # ① 文档结构图 await self._aload_triplet_graph(chunks, file_id) # ② 三元组图谱 await self._community_store.build_communities( batch_size=self._community_summary_batch_size ) # ③ 社区摘要 return [chunk.chunk_id for chunk in chunks]

① 文档结构图（Document Structure Graph）：_aload_document_graph利用 chunk metadata 中的标题层级，为每个 chunk 建立父子关系（document -> include -> chunk、chunk -> include -> chunk）以及顺序关系（chunk -> next -> chunk）。它构建了"文档"与"原始文本片段"之间的可追溯结构，使得 GraphRAG 回答问题时能够引用原文。这部分逻辑在_load_chunks中通过比对相邻 chunk 的Header0/Header1/...元数据链完成。

② 三元组图谱（Triplets Graph）：_aload_triplet_graph调用GraphExtractor.batch_extract()，由 LLM 从每个 chunk 中抽取(subject, predicate, object)三元组并写入 TuGraph；若开启了相似度检索（enable_similarity_search），还会对三元组做向量化并随图存储。当文档结构图启用时，每条边会附加_chunk_id属性，同时建立chunk -> include -> entity关联——这就是"图谱节点可回指原文"的实现细节。

③ 社区摘要（Community Summary）：CommunitySummarizer对图进行社区发现，将关系紧密的实体子图聚合成社区，并为每个社区生成摘要存入向量库（Chroma），用于回答"全局性问题"（global search）。

3.3 朴素 vs 社区摘要：两种图连接器

示例中出现了两类图连接器（KG connector）：

• BuiltinKnowledgeGraph（朴素版）：仅做关键词抽取 + 三元组抽取 + 图搜索，见 packages/dbgpt-ext/src/dbgpt_ext/storage/knowledge_graph/knowledge_graph.py。其检索逻辑asimilar_search_with_scores先由KeywordExtractor抽取关键词，再用explore_trigraph扩展子图，最终把子图文本拼进 Prompt。
• CommunitySummaryKnowledgeGraph（社区摘要版）：继承朴素版并叠加文档结构图、社区摘要、向量相似度、Text2GQL 等能力。两者的区别正是示例中两个测试用例分别对应"朴素 GraphRAG"与"社区 GraphRAG"的原因。

四、检索与问答链路：图检索器的工作方式

图检索器实现于 packages/dbgpt-ext/src/dbgpt_ext/rag/retriever/graph_retriever/graph_retriever.py，GraphRetriever.retrieve()的调度逻辑如下：

1. 若开启文本搜索（TEXT_SEARCH_ENABLED），先尝试由TextBasedGraphRetriever生成图查询语句（Text2GQL）；
2. 抽取用户问题的关键词（KeywordExtractor）；
3. 依据是否开启向量相似度检索（SIMILARITY_SEARCH_ENABLED），决定用KeywordBasedGraphRetriever（关键词子图扩展）还是VectorBasedGraphRetriever（向量召回）；
4. 三元组子图命中后，再用DocumentGraphRetriever从文档结构图回捞对应的原始文本 chunk，保证答案"有出处"；
5. 社区摘要与图谱结果最终由HYBRID_SEARCH_PT模板拼装成上下文，交给 LLM 生成带引用依据的回答。

在该 Prompt 模板（见 community_summary.py 的HYBRID_SEARCH_PT）中，明确要求模型区分[Context]（社区摘要）、[Knowledge Graph]（三元组子图）、[Original Text From RAG]（文档结构图回捞的原文）三类信息源，这正是 GraphRAG 相比纯向量 RAG 在可解释性与可溯源上的核心差异。

五、端到端运行验证：如何使用这份语料

5.1 环境准备

参考官方图谱应用手册 docs/docs/cookbook/rag/graph_rag_app_develop.md（中文版位于 docs/i18n/zh-CN/docusaurus-plugin-content-docs/current/cookbook/rag/graph_rag_app_develop.md）：

1. 安装依赖（--extra "graph_rag"等扩展）；
2. 启动 TuGraph（Bolt 默认端口 7687）：拉取tugraph/tugraph-runtime-centos7（版本 ≥ 4.5.1）镜像并运行容器；
3. 配置 LLM（示例使用gpt-4o-mini，通过OPENAI_API_KEY环境变量注入）。

5.2 配置 TuGraph 连接

在.env中配置（对应示例文件头部的注释说明）：

GRAPH_STORE_TYPE=TuGraph TUGRAPH_HOST=127.0.0.1 TUGRAPH_PORT=7687 TUGRAPH_USERNAME=admin TUGRAPH_PASSWORD=73@TuGraph GRAPH_COMMUNITY_SUMMARY_ENABLED=True TRIPLET_GRAPH_ENABLED=True DOCUMENT_GRAPH_ENABLED=True KNOWLEDGE_GRAPH_CHUNK_SEARCH_TOP_SIZE=5 KNOWLEDGE_GRAPH_EXTRACTION_BATCH_SIZE=20 COMMUNITY_SUMMARY_BATCH_SIZE=20

这些环境变量的读取逻辑可以直接在 community_summary.py 与 graph_retriever.py 中找到印证。若需开启向量相似度检索，可追加：

SIMILARITY_SEARCH_ENABLED=True KNOWLEDGE_GRAPH_EMBEDDING_BATCH_SIZE=20 KNOWLEDGE_GRAPH_SIMILARITY_SEARCH_TOP_SIZE=5 KNOWLEDGE_GRAPH_SIMILARITY_SEARCH_RECALL_SCORE=0.3

5.3 运行示例

pytest -s examples/rag/graph_rag_example.py

运行后会依次执行test_naive_graph_rag与test_community_graph_rag，两者均以graphrag-mini.md为知识源，并向 LLM 提问：

What's the relationship between TuGraph and DB-GPT ?

回答会基于从 TuGraph 中检索到的三元组子图（例如(TuGraph-family/tugraph-db)-[common_developer]->(eosphoros-ai/DB-GPT)）生成，从而直接验证这份语料中编码的"TuGraph 与 DB-GPT 存在共同开发者与生态关联"这一核心事实。

5.4 在 Web 界面上使用

完整版语料 examples/test_files/graphrag-test.md 同时被官方文档用作 Web 端 GraphRAG 演示数据：在知识库界面选择"知识图谱（Knowledge Graph）"类型创建知识库、上传该 Markdown 文件，系统默认按 Markdown 标题自动切块并建图，随后即可在聊天页面对图谱发起全局（global）或局部（local）检索问答。文档中给出的索引性能对比显示，DB-GPT 的 GraphRAG 管线在相同输入下（42631 个 Doc Tokens）可产出 734 节点 / 1064 边的三元组图谱与 76 节点 / 1090 边的文档结构图，并附有与 Microsoft GraphRAG 的索引耗时与 Token 消耗对照——这些数据来自官方手册记录，可作为评估参考，具体表现随模型与环境而异。

六、进阶：从 mini 到完整语料

理解 graphrag-mini.md 之后，建议进一步研读完整版 graphrag-test.md。两者关系如下：

完整版中(China#Star#eosphoros-ai/DB-GPT#Star count 1612)这类社区关系数据，让"社区贡献对比"类全局问题（例如官方文档中的"DB-GPT社区和TuGraph社区在社区贡献、社区生态、开发者的这几个方面的联系和区别分别是什么？"）能够通过社区摘要 + 子图检索得到有据可查的回答，这也正是 GraphRAG 全局检索与局部检索两种模式的典型演练场景。

结语

examples/test_files/graphrag-mini.md 用最小的篇幅覆盖了 DB-GPT GraphRAG 的完整数据契约：手写三元组 ↔ LLM 抽取三元组、Markdown 标题层级 ↔ 文档结构图、生态图谱文本 ↔ 社区摘要。它既是 examples/rag/graph_rag_example.py 的回归测试语料，也是理解"三元组图谱 + 文档结构图 + 社区摘要"三支柱架构的最佳入门样本。开发者可以从它出发，参考 docs/docs/cookbook/rag/graph_rag_app_develop.md 将其替换为自己的领域数据，快速搭建具备可溯源、可解释能力的企业级知识图谱问答应用。

【免费下载链接】DB-GPTopen-source agentic AI data assistant for the next generation of AI + Data products.项目地址: https://gitcode.com/GitHub_Trending/db/DB-GPT