本文为您介绍如何使用DTS RAGFlow构建云原生数据仓库AnalyticDB PostgreSQL版GraphRAG。通过该方案，可以为知识库构建知识图谱，实现对复杂关联问题的深度理解和精准检索，超越传统向量检索的局限。
当前功能目前正处于邀测阶段。如您有相关需求，请提交工单与我们联系，以便为您开启该功能。
业务场景说明
在处理包含复杂实体关系和深层逻辑的知识库（例如，金融风控报告、多产品技术手册、企业组织架构文档）时，传统的基于向量相似度的RAG（检索增强生成）方案常常难以准确回答涉及多步推理或关系挖掘的查询。例如，“对比A产品和B产品在C场景下的优缺点”或“查询与项目X相关的所有团队成员及其负责模块”，这类问题需要理解实体间的内在联系，而非仅仅是文本表面的相似性。
GraphRAG通过在传统向量检索的基础上引入知识图谱，将非结构化文本中隐含的实体和关系显式化、结构化。这使得系统能够通过图检索定位到与问题相关的结构化子图，为大型语言模型（LLM）提供更丰富、更具上下文逻辑的背景信息，从而显著提升对复杂、多跳查询的回答质量。
方案架构
本方案整合了DTS RAGFlow的数据处理能力和云原生数据仓库AnalyticDB PostgreSQL版的图分析引擎，构建一个从文档到知识图谱再到智能问答的完整链路。
工作流程说明：
数据注入与处理：将非结构化文档上传至DTS RAGFlow知识库。
知识抽取与存储：
RAGFlow自动对文档进行解析、分片（Chunking）和向量化（Embedding）。
启用GraphRAG后，RAGFlow会调用知识抽取算子，从文本中提取实体-关系-实体（S-P-O）三元组。
向量化的文本Chunk和提取出的知识图谱数据（实体与边）被一同写入指定的云原生数据仓库AnalyticDB PostgreSQL版实例中进行统一存储。
混合检索：
在检索测试或通过API发起查询时，系统会执行混合检索。
查询首先进行向量检索，找到相关的文本Chunk。
同时，查询在云原生数据仓库AnalyticDB PostgreSQL版的图分析引擎中进行图检索，找到与问题相关的实体和关联子图。
上下文增强与生成：系统将向量检索到的文本Chunk和图检索到的关联子图一并作为上下文（Context）提交给LLM，由LLM基于这些丰富的信息生成最终回答。
实施步骤
步骤一：环境准备
创建云原生数据仓库AnalyticDB PostgreSQL版实例。
内核版本需为7.3及以上版本。
开通GraphRAG服务，完成安装对应插件即可。
在DTS中创建RAGFlow知识库并设置IP白名单。
步骤二：配置知识库并启用GraphRAG
此步骤将DTS RAGFlow知识库与AnalyticDB for PostgreSQL实例进行关联。
进入目标地域的RAGFlow知识库列表页面。
登录数据传输服务DTS控制台。
在左侧导航栏，单击数据准备。
在页面左上角，选择数据准备实例所属地域。
单击RAGFlow 知识库页签。
登录RAGFlow。
在目标RAGFlow知识库的操作列，单击管理。
说明您也可以单击操作列的登录知识库，选择内网或外网进行登录。
在连接地址区域，单击登录外网地址或登录内网地址。
说明若您需要通过外网地址访问RAGFlow知识库，需为该实例开通外网地址。
在登录页面，填入账户的邮箱和密码，并单击登录。
在RAGFlow页面，进行管理知识库等操作。
说明操作方法，请参见RAGFlow官方文档。
单击创建知识库，在知识库创建页面，输入知识库名称，然后找到并启用GraphRAG开关。
说明创建知识库时，需先在模型提供商中添加嵌入模型和LLM，然后在中设置它们。
若您需要在DTS RAGFlow知识库中嵌入外部模型和LLM，则DTS RAGFlow知识库所在的专有网络VPC配置NAT网关，以便允许其访问外部网络。
创建公网NAT网关：请前往NAT 网关 - 公网 NAT 网关购买页进行创建。在创建过程中，请确保选择与DTS RAGFlow知识库相同的VPC和交换机。
配置SNAT条目：前往公网 NAT 网关页面。单击目标网关操作列的设置SNAT，单击创建SNAT条目。参数请按如下配置：
SNAT条目粒度：VPC粒度。
选择弹性公网IP地址：在下拉列表中选择提供公网访问的EIP。
步骤三：上传文档并构建知识图谱
在新创建的知识库中，单击数据集中新增文件，选择一个本地文件进行上传。
文件上传后，RAGFlow会自动执行解析、Chunk、Embedding等一系列处理流程。由于已启用GraphRAG，系统还会额外进行知识抽取，并将生成的实体和边数据写入已配置的云原生数据仓库AnalyticDB PostgreSQL版中，完成知识图谱的构建。
处理完成后，在知识库的左侧导航栏中会出现知识图谱组件，可用于可视化地浏览和验证已抽取的实体与关系。
步骤四：检索测试
通过对比测试，可以验证GraphRAG在处理不同类型查询时的效果。
进入知识库的检索测试页面。
场景一：常规查询
对于事实性的简单查询（例如“什么是RAG”），无论是否使用GraphRAG，系统主要依赖向量检索返回最相关的文本Chunk。
场景二：复杂查询
对于需要理解实体间关系的复杂查询（例如“对比RAG和GraphRAG的优缺点”），勾选使用GraphRAG。
此时，检索结果不仅会包含相关的文本Chunk，还会额外返回一个结构化的关联子图。该子图以Markdown表格形式呈现，清晰地列出查询涉及的核心实体及其关系，为LLM提供结构化的上下文，从而生成更具逻辑和深度的回答。
返回的关联子图格式如下：
---- 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示例：
若不勾选使用GraphRAG，则检索结果仅包含文本Chunk，LLM可能因缺乏结构化关系信息而无法准确回答。