Skip to main content
本指南介绍 Graph RAG。有关所有支持特性和配置的详细文档，请参阅 Graph RAG 项目页面。

​
概述

langchain-graph-retriever 包中的 GraphRetriever 提供了一个 LangChain 检索器，它将向量上的非结构化相似性搜索 与元数据属性的结构化遍历相结合。这使得可以在现有向量存储上进行基于图的检索。

​
集成详情

检索器来源PyPI 包最新版本项目页面
GraphRetrievergithub.com/datastax/graph-raglangchain-graph-retrieverPyPI - VersionGraph RAG

​
优势

​
设置

​
安装

该检索器在 langchain-graph-retriever 包中。 
pip install -qU langchain-graph-retriever

​
实例化

以下示例演示如何对一些关于动物的示例文档执行图遍历。

​
前提条件

​
填充向量存储

本节展示如何使用示例数据填充多种向量存储。 如需选择以下向量存储之一，或为你的向量存储添加支持，请参阅 适配器和支持的存储文档。
安装带 astra 扩展的 langchain-graph-retriever 包：
pip install "langchain-graph-retriever[astra]"
然后创建向量存储并加载测试文档：
from langchain_astradb import AstraDBVectorStore

vector_store = AstraDBVectorStore.from_documents(
    documents=animals,
    embedding=embeddings,
    collection_name="animals",
    api_endpoint=ASTRA_DB_API_ENDPOINT,
    token=ASTRA_DB_APPLICATION_TOKEN,
)
有关 ASTRA_DB_API_ENDPOINT 和 ASTRA_DB_APPLICATION_TOKEN 凭证， 请参阅 AstraDB 向量存储指南。:::note 为了更快的初始测试，建议使用 InMemory 向量存储。 :::

​
图遍历

此图检索器从最匹配查询的单个动物开始，然后遍历到具有相同 habitat 和/或 origin 的其他动物。 
from graph_retriever.strategies import Eager
from langchain_graph_retriever import GraphRetriever

traversal_retriever = GraphRetriever(
    store = vector_store,
    edges = [("habitat", "habitat"), ("origin", "origin")],
    strategy = Eager(k=5, start_k=1, max_depth=2),
)
上述代码创建了一个图遍历检索器，从最近的动物（start_k=1）开始，检索 5 个文档（k=5），并将搜索限制在距第一个动物最多 2 步的文档（max_depth=2）。 edges 定义了元数据值如何用于遍历。在本例中，每个动物都与具有相同 habitat 和/或 origin 的其他动物相连。 
results = traversal_retriever.invoke("what animals could be found near a capybara?")

for doc in results:
    print(f"{doc.id}: {doc.page_content}")

capybara: capybaras are the largest rodents in the world and are highly social animals.
heron: herons are wading birds known for their long legs and necks, often seen near water.
crocodile: crocodiles are large reptiles with powerful jaws and a long lifespan, often living over 70 years.
frog: frogs are amphibians known for their jumping ability and croaking sounds.
duck: ducks are waterfowl birds known for their webbed feet and quacking sounds.
图遍历通过利用数据中的结构化关系提升了检索质量。与标准相似性搜索（见下文）不同，它为文档的选择提供了清晰可解释的依据。 在本例中，文档 capybara、heron、frog、crocodile 和 newt 都具有相同的 habitat=wetlands（湿地），这由其元数据定义。这应该可以提高文档相关性和 LLM 答案的质量。

​
与标准检索的对比

当 max_depth=0 时，图遍历检索器的行为与标准检索器相同： 
standard_retriever = GraphRetriever(
    store = vector_store,
    edges = [("habitat", "habitat"), ("origin", "origin")],
    strategy = Eager(k=5, start_k=5, max_depth=0),
)
这创建了一个从最近的 5 个动物（start_k=5）开始，并在不进行任何遍历（max_depth=0）的情况下返回它们的检索器。在这种情况下，边的定义会被忽略。 这本质上等同于： 
standard_retriever = vector_store.as_retriever(search_kwargs={"k":5})
两种情况下，调用检索器的结果为： 
results = standard_retriever.invoke("what animals could be found near a capybara?")

for doc in results:
    print(f"{doc.id}: {doc.page_content}")

capybara: capybaras are the largest rodents in the world and are highly social animals.
iguana: iguanas are large herbivorous lizards often found basking in trees and near water.
guinea pig: guinea pigs are small rodents often kept as pets due to their gentle and social nature.
hippopotamus: hippopotamuses are large semi-aquatic mammals known for their massive size and territorial behavior.
boar: boars are wild relatives of pigs, known for their tough hides and tusks.
这些文档仅基于相似性连接，存储中的任何结构化数据都被忽略。与图检索相比，这可能会降低文档相关性，因为返回结果回答查询的可能性较低。

​
使用

按照上述示例，使用 invoke 对查询发起检索。

​
API 参考

要探索所有可用参数和高级配置，请参阅 Graph RAG API 参考。
在 GitHub 上编辑此页面 或 提交问题。
将这些文档连接 到 Claude、VSCode 等，通过 MCP 获取实时答案。