用EdgeQuake构建智能问答应用：从PDF摄取到GraphRAG查询的端到端完整教程

用EdgeQuake构建智能问答应用：从PDF摄取到GraphRAG查询的端到端完整教程

【免费下载链接】edgequakeEdegQuake 🌋 High-performance GraphRAG inspired from LightRag written in Rust; Transform documents into intelligent knowledge graphs for superior retrieval and generation项目地址: https://gitcode.com/gh_mirrors/ed/edgequake

EdgeQuake是一个用 Rust 编写的高性能 GraphRAG 框架：它把 PDF 等文档摄取为知识图谱（实体 + 关系），再通过向量 + 图混合检索实现智能问答，回答还带来源引用。本教程带你走完完整链路：一键部署 → PDF 摄取 → 图谱查询，10 分钟就能拥有自己的文档问答应用。

为什么需要 GraphRAG 智能问答？

传统 RAG 只靠向量相似度找文档片段，遇到这类问题就失灵：

• 跨文档关联：“这两份文件里提到的同一个产品，功能有什么区别？”
• 关系推理：“A 公司 CEO 之前在哪里工作？”
• 全局主题：“这些文档整体在讲什么？”

EdgeQuake 的解法是把文档拆解成知识图谱——LLM 从每个文本块中提取实体（人物、组织、产品……）和关系，查询时同时走向量空间和图结构，兼顾速度与推理能力。

快速开始：一键安装 EdgeQuake 问答服务

无需 Rust、无需 Node.js，只用 Docker 即可。先克隆仓库：

git clone https://gitcode.com/gh_mirrors/ed/edgequake cd edgequake sh quickstart.sh

交互式向导会引导你选择模型提供商（OpenAI / Ollama）和模型，然后自动拉起完整服务栈。启动后访问http://localhost:3000即可使用，Quickstart 默认免登录。

💡 想固定版本？EDGEQUAKE_VERSION=0.32.0 sh quickstart.sh服务地址一览：Web UI:3000、REST API:8080、Swagger 文档:8080/swagger-ui。

验证服务是否就绪：

curl -s http://localhost:8080/health | python3 -m json.tool

看到"status": "healthy"就说明一切正常。完整的安装细节见 快速开始指南 和 安装文档。

第一次进入 WebUI：上传页面与知识图谱

打开 WebUI 后，左侧边栏有 Dashboard、Documents（文档）、Knowledge Graph（知识图谱）、Query（问答）等入口。文档上传页支持拖拽 PDF、TXT、MD 等文件（单文件最大 100MB），还可以为本次上传单独指定 PDF 解析器：

当文档摄取完成后，在Knowledge Graph页面就能看到自动生成的知识图谱——不同颜色代表不同实体类型（人物、组织、产品、概念等），点击节点可查看详情：

PDF 摄取：4 步把文档变成知识图谱

EdgeQuake 的 PDF 摄取采用两阶段流水线：先把 PDF 转成 Markdown（PdfProcessing任务），再进行知识图谱摄取（Insert任务）。整个过程大致分三步：

第 1 步：上传 PDF

最简单的方式是在 WebUI 的 Documents 页拖拽上传；用 API 的话只需一条 curl：

curl -X POST http://localhost:8080/api/v1/documents/pdf \ -H "X-Workspace-ID: default" \ -F "file=@your-paper.pdf" \ -F "title=Research Paper"

接口会立即返回task_id和estimated_time_seconds（预估耗时），摄取是异步的，无需阻塞等待。

第 2 步：选择 PDF 解析后端

EdgeQuake 内置 4 种解析后端（pdf_parser_backend）：

解析失败的 vision 路径会自动回退到文本抽取，不会卡死。

第 3 步：跟踪摄取进度

轮询进度（也可用 SSE 或 WebSocket 实时推送）：

curl -s "http://localhost:8080/api/v1/documents/pdf/progress/$TASK_ID"

文档状态会依次经历converting（转 Markdown）→extracting（实体抽取）→embedding（向量化），直到display_status变为completed即可查询。中途想放弃？一条命令取消：

curl -X POST "http://localhost:8080/api/v1/tasks/$TASK_ID/cancel"

第 4 步：查看抽取结果

curl -s "http://localhost:8080/api/v1/graph/entities" | python3 -m json.tool curl -s "http://localhost:8080/api/v1/graph/stats"

你会看到类似MARIE_CURIE（PERSON）、RADIUM（CONCEPT）这样的实体，以及 “discovered” 这类关系边。抽取细节（含多轮 Gleaning 补漏）详见 LightRAG 算法解析。

GraphRAG 查询：6 种模式怎么选？

进入 WebUI 的Query页面，输入问题即可获得带来源引用的回答。EdgeQuake 提供 6 种查询模式，覆盖不同问法：

用 API 查询只需：

curl -X POST http://localhost:8080/api/v1/query \ -H "Content-Type: application/json" \ -d '{"query": "文档中提到的关键发现是什么？", "mode": "hybrid"}'

响应包含answer（自然语言回答）和sources（引用片段 + 相似度分数），每个回答都可追溯到具体文档：

实操示例：同一问题的三种问法

假设你摄入了三篇公司介绍文档（示例见 第一个 RAG 应用教程）：

1. “谁创立了 TechCorp？”→ 用hybrid模式，答案直接给出两位创始人及各自职务
2. “CEO 之前在哪里工作？”→ 用local模式，图谱沿实体关系边找到 “Google DeepMind”
3. “这几份文档整体在讲什么？”→ 用global模式，基于社区摘要输出主题归纳

这就是 GraphRAG 相比传统 RAG 的核心优势：关系类问题靠图遍历，主题类问题靠社区摘要，而不是硬靠向量相似度硬凑。

常见问题速查表

更多排查思路见 常见故障排查 和 PDF 摄取教程。

下一步：让问答应用更强大

• 多租户：为不同项目/客户隔离工作区 → 多租户教程
• 自定义实体类型：医疗、法律等 5 套领域预设 → 实体抽取概念
• 知识注入：注入术语表、缩写表提升抽取精度 → 知识注入教程
• SDK 集成：Python / TypeScript / Go / Java 等 11 种语言 SDK → SDK 总览
• API 全量契约：REST API 参考 · 架构总览

从sh quickstart.sh到第一条带引用的智能回答，EdgeQuake 全程只需不到 10 分钟。现在就把你的 PDF 丢进去，问问它吧 🌋

【免费下载链接】edgequakeEdegQuake 🌋 High-performance GraphRAG inspired from LightRag written in Rust; Transform documents into intelligent knowledge graphs for superior retrieval and generation项目地址: https://gitcode.com/gh_mirrors/ed/edgequake