Fast GraphRAG高效AI检索框架详解：2026年成本节约指南

概述

专为可解释、高精度、智能体驱动检索工作流而设计的、精简且易于提示的 Fast GraphRAG 框架。

Fast GraphRAG 旨在无缝集成到您的检索流程中，让您获得高级 RAG 的强大能力，而无需承担构建和设计智能体工作流的开销。

核心特性

Interpretable and Debuggable Knowledge

图提供了一种可供人类导航的知识视图，可以进行查询、可视化和更新。

Fast, Low-cost, and Efficient

专为大规模运行而设计，无需大量资源或成本。

注意：以《绿野仙踪》为例，fast-graphrag 的成本为 0.08 美元，而 graphrag 为 0.48 美元——节省了 6 倍的成本，并且随着数据量和插入次数的增加，节省效果会进一步提升。

Dynamic Data

自动生成和优化图，以最好地适应您的领域和本体需求。

Incremental Updates

支持在数据演进时进行实时更新。

Intelligent Exploration

利用基于 PageRank 的图探索，以提高准确性和可靠性。

Asynchronous & Typed

完全异步，具有完整的类型支持，确保工作流的健壮性和可预测性。

快速开始

安装

从源码安装（推荐以获得最佳性能）

# clone this repo first
cd fast_graphrag
poetry install

从 PyPi 安装（推荐以获得稳定性）

pip install fast-graphrag

环境设置

在环境中设置 OpenAI API 密钥：

export OPENAI_API_KEY="sk-..."

下载查尔斯·狄更斯的《圣诞颂歌》副本：

curl https://raw.githubusercontent.com/circlemind-ai/fast-graphrag/refs/heads/main/mock_data.txt > ./book.txt

可选：设置 LLM 的并发请求限制（即控制 LLM 同时处理的任务数量，这在运行本地模型时很有帮助）

export CONCURRENT_TASK_LIMIT=8

基础使用示例

使用以下 Python 代码片段：

from fast_graphrag import GraphRAG

DOMAIN = "Analyze this story and identify the characters. Focus on how they interact with each other, the locations they explore, and their relationships."

EXAMPLE_QUERIES = [
    "What is the significance of Christmas Eve in A Christmas Carol?",
    "How does the setting of Victorian London contribute to the story's themes?",
    "Describe the chain of events that leads to Scrooge's transformation.",
    "How does Dickens use the different spirits (Past, Present, and Future) to guide Scrooge?",
    "Why does Dickens choose to divide the story into \"staves\" rather than chapters?"
]

ENTITY_TYPES = ["Character", "Animal", "Place", "Object", "Activity", "Event"]

grag = GraphRAG(
    working_dir="./book_example",
    domain=DOMAIN,
    example_queries="\n".join(EXAMPLE_QUERIES),
    entity_types=ENTITY_TYPES
)

with open("./book.txt") as f:
    grag.insert(f.read())

print(grag.query("Who is Scrooge?").response)

下次从相同的工作目录初始化 fast-graphrag 时，它将自动保留所有知识。

进阶示例

请参考 examples 文件夹，其中包含关于该库常见用例的教程列表：

custom_llm.py：一个简短的示例，展示如何配置 fast-graphrag 以使用不同的 OpenAI API 兼容语言模型和嵌入器；
checkpointing.ipynb：一个关于如何使用检查点来避免不可逆数据损坏的教程；
query_parameters.ipynb：一个关于如何使用不同查询参数的教程。特别展示了如何在提供的答案中包含对所用信息的引用（使用 with_references=True 参数）。

贡献指南

无论贡献大小，我们都非常欢迎。贡献是使开源社区成为一个学习、启发和创造的绝佳之地的原因。我们非常感激您所做的任何贡献。请查看我们的指南以了解如何开始。

不确定从哪里开始？您可以加入我们的 Discord，在那里向我们提问。

设计理念

我们的使命是增加世界上成功的生成式 AI 应用的数量。为此，我们构建内存和数据工具，使 LLM 应用能够利用高度专业化的检索流程，而无需承担设置和维护智能体工作流的复杂性。

Fast GraphRAG 目前利用个性化 PageRank 算法来探索图，并找到最相关的信息片段来回答您的查询。要了解其工作原理的概述，您可以查看 HippoRAG 论文。

开源与托管服务

本仓库遵循 MIT 许可证。更多信息请参见 LICENSE.txt。

开始使用 Fast GraphRAG 最快、最可靠的方式是使用我们的托管服务。您每月的前 100 个请求是免费的，之后根据使用量付费。

要了解更多关于我们的托管服务，请预约演示或查看我们的文档。