## GraphRAG 灾害领域知识图谱增强问答系统

### 项目背景

通用大语言模型在回答灾害领域专业问题时，容易出现术语识别不准确、实体关系混乱和回答依据不足等问题。为提升 IRDR 系统的专业问答能力，项目建设了 GraphRAG 知识图谱检索子系统，将灾害领域论文、研究方法、区域信息、风险指标和专业概念组织为知识图谱，并结合大语言模型生成专业回答。

### 核心功能

系统支持灾害领域实体识别、实体关系检索、多跳知识关联、相关文献召回和检索上下文构建，主要服务于 IRDR 的 GR Mode，同时为 Research Mode 的专家讨论和综述生成提供知识补充。

用户提出问题后，系统首先对问题进行语义分析，再调用 GraphRAG 检索相关实体、关系、文献节点和文本片段。检索结果经过排序、去重和结构化处理后，与用户问题共同发送给大语言模型，最终通过流式接口返回专业回答。系统还支持 KG-only 模式，用于限制模型优先依据知识图谱内容进行回答。

### 我的角色

**GraphRAG 应用研发与系统集成**

我主要负责 GraphRAG 与 IRDR 主系统的集成和检索链路优化，包括：

* 对接 GraphRAG 检索接口，完成请求参数和返回结果适配。
* 将 GraphRAG 接入 GR Mode 专业问答流程。
* 对实体、关系和文献片段进行筛选、去重和上下文组装。
* 优化检索结果与大语言模型提示词的结合方式，降低无关信息干扰。
* 实现 KG-only 模式和检索异常降级机制。
* 参与知识图谱节点、关系数据的导入、规范化和去重。
* 编写测试脚本，对比知识图谱增强模式与直接调用大模型的专业问答效果。

### 项目成果

完成了 GraphRAG 与前端、Java 服务端、Python 智能体和大模型服务的完整链路集成，实现灾害领域实体、关系、文献和多跳知识的联合检索，提升了系统在专业术语识别、知识关联和灾害领域问答方面的准确性，同时增强了检索服务的可观测性、容错能力和运行稳定性。

### 技术栈

Python、GraphRAG、知识图谱、RAG、Qwen、vLLM、Flask、Spring Boot、REST API、SSE、Socket.IO、Redis、Linux。