GraphRAG 可视化交互系统演示
本视频展示了一套DeepLIT课题组自主研发的 GraphRAG 可视化交互 Web 系统。针对当前 RAG 技术中推理过程不透明、策略对比困难的问题，本系统集成了微软 GraphRAG 与港大 LightRAG 两大主流框架，为研究人员和开发者提供了一个强大的测试与分析环境。
核心功能亮点：
- 多框架集成与对比：内置 Microsoft GraphRAG 与 LightRAG，直观对比不同图谱构建策略的性能优劣。
- 一键式图谱构建：通过简单的文件拖拽（TXT格式），系统自动完成文本分块、实体/关系抽取、向量化及图谱生成的全流程。
- 白盒化推理展示：不仅返回 LLM 生成的答案，更实时渲染推理路径上的子图结构。用户可交互式查看被检索到的节点与边，验证答案的逻辑来源。
- 灵活参数调优：支持在问答界面动态调整社区层级（Community Level）与查询模式，探索不同粒度信息对回答质量的影响。
背景知识
什么是 GraphRAG？
GraphRAG（Graph Retrieval-Augmented Generation）是下一代检索增强生成技术。传统的 RAG 依赖向量相似度检索，容易在长文本摘要和跨文档的复杂逻辑推理中丢失“全局视野”。 GraphRAG 通过构建知识图谱（Knowledge Graph），将非结构化文本转化为结构化的网络。它利用 社区检测（Community Detection） 算法将紧密关联的信息聚类，让大模型不仅能“看到”细节，还能“理解”数据集中蕴含的高层级主题和隐式关系。 本系统集成的两大框架解析：
- Microsoft GraphRAG (基于社区摘要):
- 特点：利用 Leiden 算法检测图谱社区，并为每个社区生成摘要。
- 优势：在回答“整个数据集主要讲了什么？”这类全局性问题（Global Sensemaking） 时表现卓越，能够提供全面的综合性答案。
- LightRAG (高效检索):
- 特点：由香港大学提出，强调轻量化与双层检索机制。
- 优势：引入了具体查询（Specific）与抽象查询（Abstract）的双重检索路径，旨在降低构建图谱的 Token 消耗，同时保持对细节问题的高精度响应。
为什么我们需要可视化？
在知识图谱增强的大模型应用中，可解释性至关重要。虽然 GraphRAG 提升了回答质量，但用户往往不知道模型引用了图谱中的哪一部分。本 Demo 通过子图可视化（Subgraph Visualization），将模型的“思维过程”具象化，这对于发现幻觉（Hallucination）、优化知识库质量以及调试检索策略具有不可替代的作用。
