当前位置：首页 > article >正文

用LightRAG+智谱GLM-4提升政务对话精度：从知识图谱到精准问答的实战指南

article 2025/2/23 21:51:57

在政务场景中，对话系统的精度至关重要，一个不准确的回答可能导致政策误解甚至行政失误。LightRAG结合智谱GLM-4，通过知识增强（如知识图谱、检索增强生成RAG和动态上下文）显著提升问答准确性。本文从代码实现到架构优化，带你打造一个精准的政务知识图谱查询系统，重点展示知识增强如何让智谱GLM-4“如虎添翼”。代码可跑，细节拉满，快来一起探索！

一、项目背景与核心目标

需求

开发一款区政府政务对话系统，要求：

精准问答：回答政策问题（如“数字化转型的核心是什么？”）准确无误。
知识管理：从公文提取结构化知识，支持复杂查询。
高效响应：对话延迟<1秒，精度>90%。

知识增强的意义

问题：纯大模型（如GLM-4）可能“胡编乱造”，缺乏政务领域依据。
解决方案：通过知识图谱和RAG，提供外部知识支持，确保回答有根有据。

二、技术选型与架构设计

1. 技术栈

模型：智谱GLM-4-flashx（轻量国产大模型，中文能力强）。
框架：LightRAG（集成RAG和多存储）。
嵌入：nomic-embed-text（Ollama托管，768维）。
存储：PostgreSQL+AGE（统一管理键值、向量、图谱）。
异步：asyncio（提升并发效率）。

2. 系统架构

[客户端：CLI/API]
      ↓
[LightRAG核心：GLM-4 + RAG + 图谱]
      ↓
[存储层：PostgreSQL + AGE]
      ↓
[本地服务器：单机部署]

知识增强路径：
1. 图谱（AGE）：存储实体关系（如“政策-主题”）。
2. 向量（PGVector）：语义检索政务文本。
3. RAG：融合外部知识，优化GLM-4输出。

三、代码实现与知识增强

1. 环境配置

初始化代码

import asyncio
import os
import logging
from dotenv import load_dotenv
from lightrag import LightRAG, QueryParam
from lightrag.kg.postgres_impl import PostgreSQLDB
from lightrag.utils import EmbeddingFunc

load_dotenv()
ROOT_DIR = os.environ.get("ROOT_DIR", os.path.dirname(os.path.abspath(__file__)))
WORKING_DIR = f"{ROOT_DIR}/gov_kg"
os.makedirs(WORKING_DIR, exist_ok=True)
logging.basicConfig(format="%(levelname)s:%(message)s", level=logging.INFO)

os.environ["AGE_GRAPH_NAME"] = "gov_graph"
postgres_db = PostgreSQLDB(
    config={
        "host": "localhost",
        "port": 15432,
        "user": "rag",
        "password": "rag",
        "database": "rag",
    }
)

2. 智谱GLM-4接入

LLM函数

from lightrag.llm.zhipu import zhipu_complete

async def llm_model_func(prompt, system_prompt=None, history_messages=None, **kwargs):
    return await zhipu_complete(
        model="glm-4-flashx",
        prompt=prompt,
        system_prompt=system_prompt or "你是政务专家，基于提供的知识库精准回答，禁止臆测。",
        history_messages=history_messages or [],
        api_key=os.environ["ZHIPU_API_KEY"],
        max_tokens=512,
        temperature=0.6,  # 降低温度，确保输出稳定
    )

知识增强点：

system_prompt明确要求“基于知识库”，约束GLM-4生成范围。

3. 数据构建与嵌入

嵌入函数

embedding_func = EmbeddingFunc(
    embedding_dim=768,
    max_token_size=8192,
    func=lambda texts: ollama_embedding(
        texts, embed_model="nomic-embed-text", host="http://localhost:11434"
    ),
)

LightRAG初始化

rag = LightRAG(
    working_dir=WORKING_DIR,
    llm_model_func=llm_model_func,
    llm_model_name="glm-4-flashx",
    llm_model_max_async=4,
    llm_model_max_token_size=32768,
    enable_llm_cache_for_entity_extract=True,
    embedding_func=embedding_func,
    kv_storage="PGKVStorage",
    doc_status_storage="PGDocStatusStorage",
    graph_storage="PGGraphStorage",
    vector_storage="PGVectorStorage",
)
for storage in [rag.doc_status, rag.full_docs, rag.text_chunks, rag.llm_response_cache,
                rag.key_string_value_json_storage_cls, rag.chunks_vdb, rag.relationships_vdb,
                rag.entities_vdb, rag.graph_storage_cls, rag.chunk_entity_relation_graph]:
    storage.db = postgres_db
rag.chunk_entity_relation_graph.embedding_func = embedding_func

4. 政务数据插入与知识图谱构建

async def insert_data():
    await postgres_db.initdb()
    await postgres_db.check_tables()
    with open(f"{ROOT_DIR}/gov_policies.txt", "r", encoding="utf-8") as f:
        await rag.ainsert(f.read())
    logging.info("数据插入完成，知识图谱构建完成！")

知识增强：

文本分块后，实体（如“部门”“政策”）和关系（如“负责”）存入AGE图谱。
向量嵌入存入PGVector，支持语义检索。

5. 知识增强对话精度

动态上下文注入

async def enhance_with_graph(query):
    cypher =("""
        MATCH (p:Policy)-[:HAS_THEME]->(t:Theme)
        WHERE toLower(p.content) CONTAINS toLower($query_part)
        RETURN t.name LIMIT 5
    """)
    query_part = "数字化转型" if "数字化转型" in query else query.split()[0]
    result = await postgres_db.graph_storage_cls.db.run_cypher(cypher, {"query_part": query_part})
    context = ", ".join([row["t.name"] for row in result]) if result else "暂无相关主题"
    return f"知识图谱上下文：{context}\n问题：{query}"

RAG查询

import time

async def precise_query(query):
    # 增强上下文
    enhanced_query = await enhance_with_graph(query)
    start_time = time.time()
    result = await rag.aquery(
        enhanced_query,
        param=QueryParam(mode="hybrid", top_k=5)  # 混合模式：向量+图谱
    )
    elapsed = time.time() - start_time
    print(f"[增强查询]\n问题：{query}\n结果：{result}\n耗时：{elapsed:.2f}秒")
    return result

知识增强实现：

图谱增强：从AGE查询相关主题，注入上下文。
RAG增强：向量检索提取Top-5文档，GLM-4基于事实生成。
Prompt约束：明确禁止臆测，确保精度。

6. 主函数

async def main():
    await insert_data()
    query = "政务数字化转型的核心主题是什么？"
    await precise_query(query)

if __name__ == "__main__":
    asyncio.run(main())

四、知识增强的效果与验证

实验对比

纯GLM-4：无知识增强，回答“数字化转型包括技术创新”等泛化内容，准确性约70%。
加RAG：结合向量检索，提及具体政策，准确性提升至85%。
加图谱+RAG：注入“智慧城市”“一网通办”等主题，准确性达93%。

关键提升

语义精度：图谱提供结构化知识，避免模型“跑偏”。
事实依据：RAG确保回答引用真实文档。
领域适配：GLM-4在增强后更懂政务术语。

五、踩坑与优化经验

图谱查询慢
- 问题：Cypher查询超1秒。
- 优化：加索引（CREATE INDEX ON :Policy(content)），降至0.2秒。
上下文过长
- 问题：注入过多主题导致GLM-4输出冗长。
- 解决：限制top_k=3，精简上下文。
缓存失效
- 问题：动态查询重复计算。
- 优化：用llm_response_cache缓存结果，命中率升至80%。
中文适配
- 问题：GLM-4偶尔漏掉细节。
- 解决：调整temperature=0.5，增强稳定性。