GraphRAG通过构建实体关系图谱实现跨实体多跳推理，解决传统RAG无法判断张三、李四、王五是否共参同一项目的问题；需部署服务、配置API端点、在Dify中创建自定义工具并设置参数与提示词。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
当用户提问“张三和李四在2023年合作过哪些项目，这些项目是否都涉及王五”，传统RAG往往只返回含“张三”“李四”“王五”的文档片段，无法判断三人是否在同一项目中真实交集。GraphRAG通过构建实体关系图谱，能精准定位跨实体的多跳路径，直接支撑此类复杂关系推理。
准备GraphRAG服务并导出图谱API端点
先拉取brightwang/graphrag-dify仓库代码，进入项目根目录执行构建命令：docker compose up -d --build。等待约3分钟，服务启动后访问http://localhost:8000/docs确认FastAPI文档页可打开。
用测试文档（如含人物、项目、时间、角色字段的CSV或Markdown）触发索引构建：调用/v1/index接口，传入{"input_dir": "/data/docs"}。这一步必须等返回{"status": "completed"}才可继续，中途中断会导致图谱不完整，【后续所有查询将返回空结果】。
索引完成后，记下图谱查询服务地址，通常是http://localhost:8000/v1/query。这个URL就是Dify里要配置的GraphRAG工具调用入口。
在Dify中创建自定义GraphRAG工具
登录Dify控制台 → 进入「应用」→ 选择目标问答应用 → 点击「工作流」→ 在节点面板点击「+ 添加节点」→ 选择「工具」→ 点击「创建自定义工具」。
填写工具基础信息：名称填“人物关系图谱查询”，描述写“支持跨实体多跳关系推理，适用于合作、隶属、参与等语义查询”。
在「API配置」区域粘贴上一步获得的http://localhost:8000/v1/query，请求方法选POST，认证方式选「无」（若部署时启用了密钥，则选「Bearer Token」并填入GRAPH_RAG_API_KEY环境变量值）。
关键一步：在「参数定义」中手动添加两个必填字段：query（类型string，必填，描述“自然语言问题，例如‘张三和李四共同参与的项目有哪些’”）和top_k（类型number，非必填，默认填3）。不要添加其他字段，多余参数会导致GraphRAG服务报错422。
配置工作流，让LLM理解图谱返回结构
把刚创建的“人物关系图谱查询”工具拖入工作流画布，连接到LLM节点之前。双击该工具节点，在「提示词增强」栏粘贴以下指令：
你是一个专业的关系推理助手。接下来你会收到一段结构化图谱查询结果，格式为JSON数组，每个对象含entity_path（实体路径列表，如["张三","XX项目","李四"]）、relation_path（关系链，如["参与","合作"]）、evidence_text（原文依据）。请严格基于这些字段生成回答，禁止虚构路径或补充未出现的实体。
在LLM节点设置中，关闭「启用上下文增强」选项。这项功能会把原始知识库chunk混入图谱结果，造成逻辑冲突——图谱已精确锁定三人共参项目，再塞入无关PDF段落反而干扰判断。
保存工作流并发布。此时输入测试问题：“张三和李四在2023年合作过哪些项目，这些项目是否都涉及王五”，系统将先调用GraphRAG服务检索子图，再由LLM按指定格式解析并输出确定性结论。
