Skip to main content
本指南介绍图 RAG。有关所有支持功能和配置的详细文档，请参阅 图 RAG 项目页面。

​
概述

langchain-graph-retriever 包中的 GraphRetriever 提供了一个 LangChain 检索器，它结合了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。这使得能够基于现有向量存储进行基于图的检索。

​
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 - Version图 RAG

​
优势

​
设置

​
安装

此检索器位于 langchain-graph-retriever 包中。 
pip install -qU langchain-graph-retriever

​
实例化

以下示例将展示如何对一些关于动物的示例文档执行图遍历。

​
先决条件

​
填充向量存储

本节展示如何使用示例数据填充各种向量存储。 有关选择以下向量存储之一的帮助，或添加对您向量存储的支持，请查阅关于 适配器和支持的存储 的文档。
使用 astra 额外功能安装 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 凭据， 请查阅 AstraDB 向量存储指南。:::note 为了更快的初始测试，考虑使用 InMemory 向量存储。 :::

​
图遍历

此图检索器从与查询最匹配的单个动物开始，然后 遍历到共享相同 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),
)
以上创建了一个图遍历检索器，它从最近的 动物 (start_k=1) 开始，检索 5 个文档 (k=5)，并将搜索限制在距离 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。在这种情况下，每个 动物都连接到具有相同 habitat 和/或 origin 的其他动物。 
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来提高检索质量。 与标准相似性搜索（见下文）不同，它为文档被选择的原因提供了清晰、 可解释的理由。 在这种情况下，文档 capybara、heron、frog、crocodile 和 newt 都 共享相同的 habitat=wetlands，如其元数据所定义。这应会增加 文档相关性和 LLM 答案的质量。

​
与标准检索的比较

当 max_depth=0 时，图遍历检索器的行为类似于标准检索器： 
standard_retriever = GraphRetriever(
    store = vector_store,
    edges = [("habitat", "habitat"), ("origin", "origin")],
    strategy = Eager(k=5, start_k=5, max_depth=0),
)
这创建了一个检索器，它从最近的 5 个动物 (start_k=5) 开始， 并在没有任何遍历的情况下返回它们 (max_depth=0)。在这种情况下， 边定义被忽略。 这本质上等同于： 
standard_retriever = vector_store.as_retriever(search_kwargs={"k":5})
对于任一情况，调用检索器会返回： 
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。存储中存在的任何结构化数据 都被忽略。与图检索相比，这可能会降低文档 相关性，因为返回的结果帮助回答查询的可能性较低。

​
用法

遵循以上示例，使用 invoke 来启动对查询的检索。

​
API 参考

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