需先用fastapi为graphrag封装/query接口，仅返回结构化图谱上下文（含实体、关系、社区报告），禁用llm生成；dify中配置http工具时须用host.docker.internal、启用响应缓存，并设计双路径工作流保障鲁棒性。
☞☞☞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☜☜☜
准备GraphRAG服务并暴露标准API
你需要先让GraphRAG具备可被Dify调用的HTTP接口能力，否则Dify无法将其作为工具接入工作流。
进入GraphRAG项目根目录，确保已执行过graphrag init --root ./your_project完成初始化。
在项目根目录下新建api_server.py文件，用FastAPI封装本地查询逻辑：导入get_local_search_engine和read_indexer_*等核心函数，构建一个/query端点，接收question参数，调用search_engine.search()后返回原始上下文（含社区报告、实体、关系、文本块），**不经过LLM生成环节**。
关键点在于：必须显式禁用默认的LLM生成步骤，只输出检索到的结构化图谱上下文。否则Dify收到的是最终答案而非可二次加工的图谱数据。
启动服务：uvicorn api_server:app --host 0.0.0.0 --port 8000 --reload。此时http://localhost:8000/query?question=xxx应返回JSON格式的图谱上下文。
在Dify中配置HTTP工具节点
登录Dify控制台，进入目标应用 → 工作流（Workflow）编辑页 → 点击「+ 添加节点」→ 选择「HTTP 请求」。
填写工具名称为“GraphRAG知识图谱检索”，描述写明“基于实体关系网络的深度语义检索”。
请求方法选GET，URL填http://host.docker.internal:8000/query（若Dify运行在Docker中，必须用host.docker.internal而非localhost，否则网络不通）。
参数设置：添加一个question参数，类型为「用户输入」，变量名设为{{inputs.question}}。其他字段留空。
【必须勾选“启用响应缓存”】，否则每次查询都会触发重复图谱检索，拖慢响应且浪费GPU资源。
设计双路径问答工作流
第一步：将用户原始问题输入至「GraphRAG知识图谱检索」HTTP节点。
第二步：添加「条件分支」节点，判断HTTP响应是否成功（即status_code == 200且response.body非空）。
第三步：成功路径→连接「大模型」节点，将HTTP返回的完整JSON上下文作为context传入系统提示词，要求模型严格基于图谱三元组生成答案，禁止自由发挥；失败路径→连接另一个「大模型」节点，降级使用传统向量知识库回答，并在回复末尾附加“图谱检索暂时不可用，已切换至基础检索模式”。
这一步决定了系统鲁棒性：当GraphRAG索引损坏或服务宕机时，问答不会中断，只是精度略有下降。
验证图谱检索效果
在Dify调试面板中输入测试问题：“华为Mate60 Pro和iPhone15 Pro Max的摄像头参数有何异同？”
观察HTTP节点输出的JSON内容，确认其中包含entities数组（含“华为Mate60 Pro”“iPhone15 Pro Max”“主摄”“超广角”等实体）、relationships数组（如“华为Mate60 Pro→搭载→XMAGE影像系统”）、community_reports（描述两个手机影像技术路线的对比摘要）。
如果JSON里只有零散文本块而没有实体/关系字段，说明GraphRAG索引构建阶段未启用--community_level参数或settings.yaml中entity_extraction未开启，需回退重跑索引。
