Atomic GraphRAG 演示：单次查询完整执行流程

本文展示了 Atomic GraphRAG 的最小可运行示例，演示如何在一次查询中完成文档加载、图构建、向量化、子图检索以及 LLM 生成答案的全链路。示例基于 Python、LangChain 与 Neo4j，使用 OpenAI 的 gpt‑3.5‑turbo 作为生成模型。

关键步骤

1. 环境准备：

   git clone https://github.com/yourorg/atomic-graphrag-demo.git
   cd atomic-graphrag-demo
   pip install -r requirements.txt
   

2. 文档导入：使用 DirectoryLoader 将本地 Markdown/HTML 文件读取为 Document 对象。
3. 图构建：
   • 为每段落创建节点，使用 OpenAI Embedding 将文本转为向量。
   • 通过 Neo4jGraph 将节点写入 Neo4j，自动建立基于相似度的边（阈值 0.75）。
4. 单次查询：

   query = "What are the security implications of using GraphRAG?"
   subgraph = graph.retrieve_subgraph(query, top_k=5)
   answer = llm.generate(query, context=subgraph)
   print(answer)
   

   retrieve_subgraph 会先用检索模型找出最相关的节点，再在图中扩展至 2‑hop 邻居，形成上下文子图。
5. 结果展示：控制台输出 LLM 生成的答案，同时绘制子图（使用 pyvis），帮助开发者直观看到检索路径。

技术亮点

• 原子化：每一步都封装为独立函数，便于替换向量模型、图数据库或 LLM。
• 单查询端到端：无需预先构建索引或手动调参，一条命令即可完成全部操作。
• 可视化：示例自带子图可视化脚本，帮助调试检索质量。

完整代码位于仓库的 demo.py，可直接运行并根据自己的数据集进行改造。