GraphRAG基准测试工具：用图数据库增强大语言模型的检索能力

graph-rag-benchmark是一个端到端GraphRAG推理管道，通过TigerGraph图数据库实现多跳检索，集成Groq API进行高速生成，并提供性能指标对比，帮助开发者评估图增强RAG相对于传统基线LLM的优势。项目采用双管道架构（基线LLM与GraphRAG增强），前端用Streamlit构建交互式界面，支持实时指标展示与本地知识库回退。

传统RAG基于向量相似度搜索，处理多跳推理时难以捕捉实体结构化关系；GraphRAG利用图数据库存储查询知识，通过多跳遍历获取结构化上下文，graph-rag-benchmark项目旨在展示其优势并提供与基线LLM的对比。

项目采用双管道设计：1.基线LLM管道（用户提问→Groq API直接生成）；2.GraphRAG增强管道（用户提问→关键词匹配→TigerGraph多跳遍历→获取上下文→Groq生成）。技术栈包括TigerGraph（原生分布式图数据库，支持多跳遍历与实时性能）、Groq API（高速LLaMA3推理）、Streamlit（交互式深色主题仪表板）。

项目代码结构模块化，包含config、main、data、graph（连接/ schema/ loader/ query）、inference、llm、eval、dashboard等模块。内置知识库涵盖25个实体和30+关系，涉及机器学习、NLP、图技术、主流框架等领域，可扩展定制。

系统提供实时指标对比：令牌使用量、响应时间、成本估算、上下文质量。针对TigerGraph云实例休眠问题，设计本地知识库回退模式，确保应用可用性。

相比传统向量检索，GraphRAG具有：1.结构化知识表示（理解层次关系、追踪多跳链条）；2.可解释性增强（展示检索实体、关系路径）；3.幻觉减少（锚定结构化事实知识）。

GraphRAG适用于企业知识管理、科研文献分析、医疗诊断支持等场景。项目展示了图增强RAG的潜力，有望成为下一代RAG标准范式，为开发者提供可运行原型与技术参考。