本文為您介紹如何使用DTS RAGFlow構建雲原生資料倉儲AnalyticDB PostgreSQL版GraphRAG。通過該方案，可以為知識庫構建知識圖譜，實現對複雜關聯問題的深度理解和精準檢索，超越傳統向量檢索的局限。
當前功能目前正處於邀測階段。如您有相關需求，請提交工單與我們聯絡，以便為您開啟該功能。
業務情境說明
在處理包含複雜實體關聯和深層邏輯的知識庫（例如，金融風控報告、多產品技術手冊、企業組織架構文檔）時，傳統的基於向量相似性的RAG（檢索增強產生）方案常常難以準確回答涉及多步推理或關係挖掘的查詢。例如，“對比A產品和B產品在C情境下的優缺點”或“查詢與專案X相關的所有團隊成員及其負責模組”，這類問題需要理解實體間的內在聯絡，而非僅僅是文本表面的相似性。
GraphRAG通過在傳統向量檢索的基礎上引入知識圖譜，將非結構化文本中隱含的實體和關係顯式化、結構化。這使得系統能夠通過圖檢索定位到與問題相關的結構化子圖，為大型語言模型（LLM）提供更豐富、更具上下文邏輯的背景資訊，從而顯著提升對複雜、多跳查詢的回答品質。
方案架構
本方案整合了DTS RAGFlow的資料處理能力和雲原生資料倉儲AnalyticDB PostgreSQL版的圖分析引擎，構建一個從文檔到知識圖譜再到智能問答的完整鏈路。
工作流程說明：
資料注入與處理：將非結構化文檔上傳至DTS RAGFlow知識庫。
知識抽取與儲存：
RAGFlow自動對文檔進行解析、分區（Chunking）和向量化（Embedding）。
啟用GraphRAG後，RAGFlow會調用知識抽取運算元，從文本中提取實體-關係-實體（S-P-O）三元組。
向量化的文本Chunk和提取出的知識圖譜資料（實體與邊）被一同寫入指定的雲原生資料倉儲AnalyticDB PostgreSQL版執行個體中進行統一儲存。
混合檢索：
在檢索測試或通過API發起查詢時，系統會執行混合檢索。
查詢首先進行向量檢索，找到相關的文本Chunk。
同時，查詢在雲原生資料倉儲AnalyticDB PostgreSQL版的圖分析引擎中進行圖檢索，找到與問題相關的實體和關聯子圖。
上下文增強與產生：系統將向量檢索到的文本Chunk和圖檢索到的關聯子圖一併作為上下文（Context）提交給LLM，由LLM基於這些豐富的資訊產生最終回答。
實施步驟
步驟一：環境準備
建立雲原生資料倉儲AnalyticDB PostgreSQL版執行個體。
核心版本需為7.3及以上版本。
開通GraphRAG服務，完成安裝對應外掛程式即可。
在DTS中建立RAGFlow知識庫並設定IP白名單。
步驟二：配置知識庫並啟用GraphRAG
此步驟將DTS RAGFlow知識庫與AnalyticDB for PostgreSQL執行個體進行關聯。
進入目標地區的RAGFlow知識庫列表頁面。
在左側導覽列，單擊數據準備。
在頁面左上方，選擇資料準備執行個體所屬地區。
單擊RAGFlow 知識庫頁簽。
登入RAGFlow。
在目標RAGFlow知識庫的操作列，單擊管理。
說明您也可以單擊操作列的登入知識庫，選擇內網或外網進行登入。
在串連地址地區，單擊登入外網地址或登入內網地址。
說明若您需要通過外網地址訪問RAGFlow知識庫，需為該執行個體開通外網地址。
在登入頁面，填入賬戶的郵箱和密碼，並單擊登入。
在RAGFlow頁面，進行管理知識庫等操作。
說明操作方法，請參見RAGFlow官方文檔。
單擊建立知識庫，在知識庫建立頁面，輸入知識庫名稱，然後找到並啟用GraphRAG開關。
說明建立知識庫時，需先在模型供應商中添加嵌入模型和LLM，然後在中設定它們。
若您需要在DTS RAGFlow知識庫中嵌入外部模型和LLM，則DTS RAGFlow知識庫所在的Virtual Private Cloud配置NAT Gateway，以便允許其訪問外部網路。
建立公網NAT Gateway：請前往NAT Gateway - 公網 NAT Gateway購買頁進行建立。在建立過程中，請確保選擇與DTS RAGFlow知識庫相同的VPC和交換器。
配置SNAT條目：前往公網 NAT Gateway頁面。單擊目標網關操作列的設定SNAT，單擊建立SNAT條目。參數請按如下配置：
SNAT條目粒度：VPC粒度。
選擇Elastic IP Address地址：在下拉式清單中選擇提供公網訪問的EIP。
步驟三：上傳文檔並構建知識圖譜
在新建立的知識庫中，單擊資料集中新增檔案，選擇一個本地檔案進行上傳。
檔案上傳後，RAGFlow會自動執行解析、Chunk、Embedding等一系列處理流程。由於已啟用GraphRAG，系統還會額外進行知識抽取，並將產生的實體和邊資料寫入已配置的雲原生資料倉儲AnalyticDB PostgreSQL版中，完成知識圖譜的構建。
處理完成後，在知識庫的左側導覽列中會出現知識圖譜組件，可用於可視化地瀏覽和驗證已抽取的實體與關係。
步驟四：檢索測試
通過對比測試，可以驗證GraphRAG在處理不同類型查詢時的效果。
進入知識庫的檢索測試頁面。
情境一：常規查詢
對於事實性的簡單查詢（例如“什麼是RAG”），無論是否使用GraphRAG，系統主要依賴向量檢索返回最相關的文本Chunk。
情境二：複雜查詢
對於需要理解實體間關係的複雜查詢（例如“對比RAG和GraphRAG的優缺點”），勾選使用GraphRAG。
此時，檢索結果不僅會包含相關的文本Chunk，還會額外返回一個結構化的關聯子圖。該子圖以Markdown表格形式呈現，清晰地列出查詢涉及的核心實體及其關係，為LLM提供結構化的上下文，從而產生更具邏輯和深度的回答。
返回的關聯子圖格式如下：
---- Entities ---- ,Entity,Description 0,entity1,description1 1,entity2,description2 ---- Relations ---- ,From Entity,To Entity,Description 0,source_entity1,target_entity1,description1 1,source_entity2,target_entity2,description2樣本：
若不勾選使用GraphRAG，則檢索結果僅包含文本Chunk，LLM可能因缺乏結構化關係資訊而無法準確回答。