GraphRAG Workbench

GraphRAG Workbench 是一个现代化的 Web 应用，旨在将微软 的 GraphRAG 框架能力以沉浸式 3D 可视化的方式呈现。你只需上传 PDF 文档，系统便会自动提取实体、关系与社区结构，生成一个可交互、可查询、可分析的知识图谱。

它不是简单的图数据库前端，而是一个端到端的 AI 知识发现平台——从文档摄入到 3D 探索，全程在本地或私有环境中完成（仅依赖 OpenAI API 进行文本处理）。

核心能力

沉浸式 3D 可视化

• 力导向布局 + 社区聚类：自动将相关实体聚集为“社区”，层级从 部门 → 系统 → 子系统 → 组件 → 元素 逐级展开
• 动态视觉编码：
  • 节点大小 = 实体中心性（越重要越大）
  • 连线粗细 = 关系强度
  • 颜色边界 = 社区分组
• 交互控制：鼠标拖拽旋转、滚轮缩放、右键平移，支持辉光（Bloom）后处理增强视觉层次

智能文档处理

• PDF 拖放上传：自动提取文本，支持批量处理
• 实时索引进度：详细日志展示实体抽取、关系映射、社区检测各阶段状态
• 版本存档：保存/恢复不同知识图谱快照，便于对比分析

AI 驱动的知识交互

• 自然语言查询：通过聊天界面提问，如：
  

  “主要主题是什么？”
  “公司 A 和人物 B 之间有哪些关联？”

• 多策略搜索：支持本地（local）、全局（global）、漂移（drift）等 GraphRAG 原生搜索模式
• AI 社区报告：自动生成每个社区的摘要，快速把握核心内容

高级分析工具

• 社区隔离器：聚焦特定社区层级，排除干扰
• 实时筛选：按实体类型（人/组织/地点/事件）、社区级别、关系权重过滤
• 搜索高亮：输入关键词，匹配节点立即高亮显示

技术架构

数据流：
PDF 上传 → 文本提取 → GraphRAG 处理（实体/关系/社区） → JSON 转换 → 3D 可视化渲染 → 交互式查询

快速开始

前提

• Node.js 18+
• Python 3.10+
• OpenAI API 密钥（用于 GraphRAG）

步骤

# 1. 克隆项目
git clone https://github.com/ChristopherLyon/graphrag-workbench.git
cd graphrag-workbench

# 2. 安装前端依赖
npm install

# 3. 配置 API 密钥
cp .env.example .env
# 编辑 .env，填入 OPENAI_API_KEY

# 4. 安装 GraphRAG
pip install graphrag

# 5. 启动
npm run dev
# 访问 http://localhost:3000

使用流程

1. 上传 PDF（拖放或点击“Add PDFs”）
2. 点击“Run Index”，等待 GraphRAG 完成处理（几分钟到几十分钟，取决于文档量）
3. 探索 3D 图谱：旋转、搜索、点击节点、切换社区层级
4. 使用聊天框进行自然语言问答

高度可配置

通过 settings.yaml 自定义处理逻辑：

models:
  default_chat_model:
    model: gpt-4o-mini
  default_embedding_model:
    model: text-embedding-3-small
extract_graph:
  entity_types: [organization, person, geo, event]  # 可增删
community_reports:
  max_length: 2000

支持调整：

• 实体类型
• LLM 和嵌入模型
• 文本分块大小
• 社区检测算法参数

系统要求与兼容性

• 内存：8GB 最低，16GB 推荐（大文档需更多）
• 显卡：需支持 WebGL 2.0（几乎所有现代 GPU 均满足）
• 存储：SSD 显著提升 I/O 性能
• 浏览器：Chrome / Edge / Firefox / Safari 最新版

注意：3D 性能与图谱规模相关。若卡顿，可：

• 启用“社区隔离器”缩小范围
• 禁用 Bloom 效果
• 分批处理文档

适用场景

• 研究者：快速梳理论文/报告中的知识脉络
• 情报分析：从多份文档中发现隐藏关联
• 企业知识管理：将内部文档转化为可查询知识库
• 教育：可视化课程/教材中的概念网络
• 开发者：学习 GraphRAG 实战应用范式