2024最新KRAGEN安装教程：从Docker部署到Weaviate向量数据库配置全流程

2024最新KRAGEN安装教程：从Docker部署到Weaviate向量数据库配置全流程

【免费下载链接】KRAGENSoftware to implement GoT with a weviate vectorized database项目地址: https://gitcode.com/gh_mirrors/kr/KRAGEN

KRAGEN（GitHub 加速计划）是一款结合Graph of Thoughts (GoT)与Weaviate向量数据库的强大工具，能帮助用户高效实现知识图谱的提取、向量化存储与智能检索。本教程将带你完成从环境准备到数据库配置的完整部署流程，让你快速上手这款功能强大的开源工具。

📋 准备工作：环境与依赖检查

在开始部署前，请确保你的系统满足以下要求：

• 操作系统：Linux（推荐Ubuntu 20.04+）
• Docker：20.10.0+
• Docker Compose：2.0.0+
• Git：2.20.0+

通过以下命令检查Docker是否已安装：

docker --version docker-compose --version

如果尚未安装Docker，可以参考官方文档进行安装。

项目架构概览

KRAGEN采用模块化架构设计，主要包含四个核心服务：

• kragen：核心业务逻辑服务
• weaviate：向量数据库服务
• execgpt：API后端服务
• gui：前端界面服务

这些服务通过Docker Compose进行编排，实现无缝协作。下图展示了KRAGEN的工作流程：

图1：KRAGEN从知识图谱提取到向量数据库存储的完整流程

🚀 快速部署：Docker一键启动

1. 克隆项目代码

首先，使用Git克隆KRAGEN项目仓库：

git clone https://gitcode.com/gh_mirrors/kr/KRAGEN cd KRAGEN

2. 配置环境变量

项目提供了环境变量模板文件，复制并修改配置：

cp config/kragen.env.example config/kragen.env

使用文本编辑器打开config/kragen.env，根据实际需求修改以下关键参数：

• OPENAI_API_KEY：你的OpenAI API密钥（用于向量化处理）
• WEAVIATE_URL：Weaviate数据库地址（默认：http://weaviate:8080）
• EMBEDDING_MODEL：嵌入模型选择（默认：text-embedding-ada-002）

3. 启动Docker服务栈

KRAGEN提供了统一的Docker Compose配置文件docker-compose.yml，该文件整合了所有必要的服务：

services: kragen: extends: file: docker-compose-kragen.yml service: kragen depends_on: - weaviate weaviate: extends: file: docker-compose-weaviate.yml service: weaviate execgpt: extends: file: docker-compose-flask.yml service: execgpt gui: extends: file: docker-compose-gui.yml service: gui

执行以下命令启动所有服务：

docker-compose up -d

首次启动时，Docker会自动拉取所需镜像并构建服务，这个过程可能需要几分钟时间。可以使用以下命令检查服务状态：

docker-compose ps

当所有服务状态显示为Up时，说明部署成功！

⚙️ Weaviate向量数据库配置

1. 访问Weaviate控制台

Weaviate提供了Web控制台，可通过以下地址访问：

http://localhost:8080/console

在控制台中，你可以查看数据库状态、创建数据模式以及执行查询操作。

2. 初始化向量数据库

KRAGEN提供了初始化脚本，用于创建必要的数据模式和索引：

docker-compose exec kragen python src/make_vector.py

该脚本会根据配置文件中的设置，创建适合知识图谱存储的向量索引。执行成功后，你可以在Weaviate控制台中看到新创建的类和属性。

3. 验证数据库连接

使用以下命令测试Weaviate数据库连接：

docker-compose exec kragen python -c "from src.config import WEAVIATE_URL; import weaviate; client = weaviate.Client(WEAVIATE_URL); print(client.get_meta())"

如果输出包含Weaviate的版本信息和配置详情，说明数据库连接正常。

🔍 功能验证：知识图谱处理流程

1. 数据提取与向量化

KRAGEN的核心功能是将知识图谱数据提取并转换为向量表示。以下是完整的处理流程：

1. 提取：使用Cypher查询语言从知识图谱中提取数据
2. 转换：将查询结果转换为自然语言描述
3. 向量化：使用嵌入模型将文本转换为向量
4. 存储：将向量数据上传到Weaviate数据库
5. 检索：通过RAG技术进行智能搜索

图2：KRAGEN知识图谱提取与向量化处理详细流程

2. 运行示例查询

项目提供了测试数据，可以通过以下命令运行示例查询：

docker-compose exec kragen python src/kragen.py --query "List the body parts associated with the gene METTL5"

正常情况下，你将得到类似以下的输出：

heart, adrenal gland

3. 访问Web界面

KRAGEN的前端界面可以通过以下地址访问：

http://localhost:3000

在Web界面中，你可以：

• 输入自然语言查询
• 查看知识图谱可视化结果
• 调整搜索参数和显示选项

📊 KRAGEN性能优势

KRAGEN结合了Graph of Thoughts和RAG技术，在知识检索任务中表现出显著优势。以下是KRAGEN与其他模型的性能对比：

图3：KRAGEN与不同LLM模型在各类知识问答任务中的性能对比

从雷达图可以看出，KRAGEN（红色线条）在多跳问答（T/F-2hop、MCQ-2hop）任务中表现尤为突出，充分体现了其处理复杂知识推理的能力。

❗ 常见问题与解决方案

1. Docker服务启动失败

如果遇到服务启动失败，可以通过以下命令查看日志：

docker-compose logs -f [服务名称]

常见问题及解决方法：

• 端口冲突：确保8080、5000、3000端口未被其他服务占用
• 资源不足：Weaviate需要较多内存，建议分配至少4GB RAM
• 网络问题：检查网络连接，确保能正常拉取Docker镜像

2. Weaviate数据库连接超时

如果出现数据库连接超时，可能是以下原因：

• Weaviate服务尚未完全启动，等待几分钟后重试
• 环境变量WEAVIATE_URL配置错误，确保使用容器名称而非localhost
• 网络配置问题，检查kragen-net网络是否正常创建

3. 向量化处理速度慢

向量化处理速度受以下因素影响：

• API密钥：使用OpenAI API时，确保密钥有效且有足够配额
• 网络状况：API调用需要稳定的网络连接
• 模型选择：本地模型可能速度较慢但隐私性更好

🎉 总结

通过本教程，你已经成功部署了KRAGEN并完成了Weaviate向量数据库的配置。现在你可以：

• 使用Docker Compose管理KRAGEN的所有服务
• 配置Weaviate数据库以存储知识图谱向量
• 通过命令行或Web界面执行知识检索任务

KRAGEN的强大之处在于其将Graph of Thoughts与向量数据库相结合的创新设计，为复杂知识推理提供了高效解决方案。如果你想深入了解KRAGEN的内部实现，可以查看项目源代码：

• 核心功能：src/kragen.py
• 向量处理：src/make_vector.py
• API服务：KRAGEN_Dashboard/Backend/ExecGPTServer/server.py

祝你使用KRAGEN愉快！如有任何问题，可以查阅项目文档或提交issue寻求帮助。

【免费下载链接】KRAGENSoftware to implement GoT with a weviate vectorized database项目地址: https://gitcode.com/gh_mirrors/kr/KRAGEN