3.GraphRAG

3.GraphRAG

GraphRAG模块构建了涵盖主流框架的图检索增强生成技术生态，将知识图谱与大语言模型深度融合，实现结构化知识的智能检索与生成。该模块整合了微软GraphRAG模块化图RAG系统、蚂蚁KAG专业领域知识增强框架、港大LightRAG简单快速检索生成、CircleMind Fast-GraphRAG智能适应系统等核心技术，以及阿里OmniSearch多模态检索、StructRAG混合信息结构化等前沿研究成果。技术栈包含了nano-graphrag轻量级实现、tiny-graphrag简化版本、GraphRAG-Local-UI本地可视化界面、itext2kg增量知识图谱构造器等专业组件，覆盖了从原型开发到生产部署的全流程需求。

模块深度集成了深度文档理解、实体关系抽取、多跳推理查询、子图检索优化等核心技术，支持动态VQA数据集、自适应规划智能体、推理时混合信息结构化、多模态知识图谱构建等高级功能。此外，还提供了OpenSPG语义增强可编程知识图谱、KAG技术报告与实践分享、LightRAG效率与准确性提升、GraphRAG本地LLM集成等理论与实践指导，以及医疗诊断、金融分析、法律咨询、科学研究等专业领域应用案例，帮助开发者构建基于图结构知识的下一代智能问答系统，实现更加准确、全面、可解释的知识服务。

================================================================================

3.GraphRAG

------------------------------------------------------------

0.Fast-graphrag

简介

Fast GraphRAG 是一个流线型且可提示的快速图检索增强生成 (GraphRAG) 框架，旨在提供可解释、高精度、代理驱动的检索工作流。它致力于简化高级 RAG（检索增强生成）的实施，无需从头构建复杂的代理工作流。

核心功能

技术原理

Fast GraphRAG 的核心技术原理基于图检索增强生成 (GraphRAG) 范式。它通过构建和利用知识图谱来组织和连接信息，从而实现更精确和上下文感知的检索。具体来说，该框架利用个性化PageRank算法在图结构数据中进行高效探索，根据查询找到与用户需求最相关的信息节点。结合代理驱动的工作流（Agentic Workflows），它能够实现更智能、更动态的检索过程，模拟人类推理和决策过程来优化信息获取。这使得RAG系统不仅能够检索到信息，还能理解信息之间的关系，从而生成高质量、可解释的输出。

应用场景

------------------------------------------------------------

0.GraphRAG-微软

简介

GraphRAG是微软研究院开发的一个模块化、基于图的检索增强生成（RAG）系统。它旨在通过结合知识图谱与大型语言模型（LLMs）的力量，从非结构化文本数据中提取有意义的结构化信息，并在此基础上进行问答和内容生成。相较于传统RAG方法，GraphRAG能够提供更结构化的信息检索和更全面的响应生成。

核心功能

技术原理

GraphRAG的核心技术原理在于其创新的图-RAG范式。它首先通过自然语言处理（NLP）和大语言模型（LLM）对非结构化文本进行解析，识别实体、关系和事件，并将其转换为知识图谱（Knowledge Graph）结构。这一过程涉及信息提取（Information Extraction）和图构建（Graph Construction）。在检索阶段，系统利用图的拓扑结构和语义信息进行图遍历（Graph Traversal）和路径发现（Path Finding），以获取与查询相关的上下文信息，而非仅仅依赖文本相似度。随后，这些结构化和上下文化的信息被作为增强上下文（Augmented Context）输入到LLM中，通过提示工程（Prompt Engineering）引导LLM生成更精准、更具逻辑性和连贯性的回答。这种方法有效解决了传统RAG在处理复杂关系和多跳推理时的局限性，提升了回答的可解释性（Interpretability）和溯源性（Traceability）。

应用场景

------------------------------------------------------------

0.KAG蚂蚁

简介

KAG（知识增强生成）是一个由蚂蚁集团与OpenKG联合开发的，基于OpenSPG（语义增强可编程图）框架的专业领域知识服务框架。它旨在通过双向增强大型语言模型（LLM）与知识图谱，克服传统检索增强生成（RAG）技术在专业知识服务落地中的不足，提供高效、准确的领域知识推理和问答解决方案。

Snipaste<em>2025-07-19</em>14-23-11.png

核心功能

技术原理

KAG框架的核心在于其“知识增强生成”范式，它通过以下关键技术实现： * LLM友好语义化知识管理： 将知识图谱转化为LLM易于理解和利用的语义表示。 * 知识图谱与原文片段互索引： 构建知识图谱与非结构化文本之间的关联，实现精准检索和知识定位。 * 逻辑符号引导的混合推理引擎： 结合符号逻辑推理（如规则、计算）和统计推理（如LLM的生成能力），形成一种多模态、多步骤的推理链，将自然语言问题转化为语言与符号结合的问题求解过程，提升推理的严谨性和可解释性。 * 基于语义推理的知识对齐： 降低信息抽取噪声，提升知识的准确性和一致性。

应用场景

KAG框架主要应用于对专业知识精确性、可靠性和可解释性要求高的领域，例如：

------------------------------------------------------------

0.LightRAG

简介

LightRAG是香港大学和北京邮电大学研究团队推出的轻量级、高效检索增强生成（RAG）方法。它将图结构融入文本索引和检索，采用双层检索系统，结合增量更新算法，能高效处理不同层次查询，快速整合新信息，在生成速度和上下文相关性上表现出色，适合更多开发者和小型企业。

Snipaste<em>2025-07-19</em>14-23-45.png

核心功能

  • 图增强文本索引：建立相关实体复杂关系，提升上下文理解能力。
  • 双层检索系统：同时处理低层具体细节和高层抽象概念查询。
  • 增量更新算法：不重建数据索引，快速整合最新信息。
  • 支持多类型存储：提供多种存储实现选项，如Neo4J、PostgreSQL等。
  • 多模型集成：支持OpenAI、Hugging Face、Ollama等模型，以及与LlamaIndex集成。
  • 对话历史支持：支持多轮对话，考虑对话历史进行查询。
  • 用户提示定制：通过user_prompt参数引导LLM处理检索结果。
  • 插入功能多样：支持基本插入、批量插入，可关联文件路径实现溯源。

技术原理

  • 基于图的文本索引：将原始文本分割成小块，利用大语言模型提取实体和关系，生成键值对，构建知识图谱。
  • 双层检索：详细层面关注文档具体小部分，实现精确信息检索；抽象层面关注整体意义，理解不同部分广泛连接。
  • 存储机制：使用四种类型存储，每种有多种实现选项，初始化时可通过参数设置。
  • 模型注入：初始化时需注入LLM和Embedding模型的调用方法，支持多种模型API。

应用场景

------------------------------------------------------------

0.nano-graphrag

简介

nano-graphrag 是 GraphRAG 模型的一个简化且易于访问的实现，旨在从文本文档中进行知识提取和问答。它提供了一个更易于用户使用和修改的替代方案，解决了官方 GraphRAG 实现代码量大、不易阅读研究的痛点，其代码量更小、运行更快。

核心功能

  • 知识提取与问答: 能够从文本数据中提取知识并支持问答功能。
  • 简化RAG操作: 提供简化的RAG（检索增强生成）插入和查询功能，允许只返回图谱中检索到的上下文。
  • 去重处理: 使用内容的MD5哈希作为键，避免了块的重复存储。
  • 可定制性: 支持用户自定义分块方法，并允许替换存储相关的组件。
  • JSON格式输出: 可以通过bestmodelfunc将输出格式化为JSON对象。
  • 高效社区处理: 不同于原始GraphRAG的Map-Reduce风格，nano-graphrag仅使用Top-K个重要且核心的社区（默认为512个社区）来填充上下文，从而优化了全局搜索。

技术原理

nano-graphrag 的核心在于对GraphRAG模型的轻量级重构与优化。它利用图结构来组织和连接文本信息，将知识点及其关系构建成图谱。在数据处理层面，通过对内容进行MD5哈希来确保数据块的唯一性，避免重复存储。在检索过程中，它支持朴素RAG（Naive RAG）模式，能够直接从构建的知识图谱中检索相关上下文。

与原始GraphRAG的一个主要区别在于全局搜索策略。原始实现采用Map-Reduce风格来填充上下文，而nano-graphrag则通过识别和选择Top-K个最重要和中心的社区（Community Detection），将这些精选社区的信息作为上下文，极大地提高了检索效率和相关性。这暗示其可能采用了某种图算法（如中心性度量、社区发现算法）来评估社区的重要性。此外，它集成了语言模型（如DeepSeek）和嵌入功能（如GLM）来处理文本数据并生成嵌入向量，从而实现高效的知识存储、检索与查询。

应用场景

  • 轻量级知识库构建: 适用于需要快速搭建小型或中型知识库，进行高效知识管理和查询的场景。
  • 文档智能问答系统: 可用于构建针对特定领域文档的智能问答系统，例如企业内部文档、技术手册等。
  • 研究与原型开发: 由于其代码量小、易于修改，非常适合研究人员和开发者进行GraphRAG模型原理的理解、功能验证及快速原型开发。
  • 资源受限环境下的RAG部署: 相比于复杂的官方实现，nano-graphrag更适合在计算资源或存储空间有限的环境中部署RAG应用。
  • 定制化信息检索: 适用于需要根据特定需求定制分块、存储或检索逻辑的场景。
  • gusye1234/nano-graphrag: A simple, easy-to-hack GraphRAG implementation

------------------------------------------------------------

1.GraphRAG-Local-UI

简介

GraphRAG-Local-UI是一个旨在成为终极的本地图RAG（Retrieval-Augmented Generation，检索增强生成）和知识图谱（KG）本地大语言模型（LLM）应用的生态系统。它利用本地LLM，提供一个用户友好的界面，用于管理和交互GraphRAG系统，尤其专注于对大型文本数据进行索引和查询。目前该项目正处于向独立的索引/提示调优和查询/聊天应用过渡的阶段，所有功能都围绕一个强大的中心API构建。

核心功能

  • 本地LLM集成： 支持配置和使用如Ollama等本地大语言模型。
  • 索引与提示调优： 提供对文本数据进行索引和优化提示词的功能。
  • 查询与聊天界面： 允许用户通过直观的UI进行内容查询和交互式聊天。
  • 数据可视化： 包含可视化功能，便于理解知识图谱和RAG流程。
  • API驱动架构： 所有核心功能通过一个健壮的中心API提供服务，支持多应用集成。

技术原理

该项目基于检索增强生成（RAG）方法，结合本地大语言模型（LLM）与知识图谱（KG）技术。其核心架构包括：
  • GraphRAG系统： 作为主干，处理大型文本数据的索引和查询。
  • 本地LLM支持： 允许用户利用本地部署的大模型进行生成式任务。
  • API服务器： 基于FastAPI构建的强大后端服务器，处理所有核心操作。
  • 向量存储： 可能利用向量数据库来存储和检索嵌入，以支持高效的语义搜索。
  • Gradio界面： 用户交互界面可能通过Gradio框架构建，提供友好的前端体验。

应用场景

------------------------------------------------------------

1.OmniSearch 阿里多模态rag

简介

围绕多模态检索增强生成（mRAG）展开。首先指出现有启发式 mRAG 存在非自适应和过载检索查询问题，且当前 VQA 数据集无法充分反映。为此构建了 Dyn - VQA 数据集，包含三种动态问题类型。同时提出了首个自适应规划代理 OmniSearch，能实时规划检索动作，大量实验证明其有效性。

Snipaste<em>2025-07-19</em>14-24-26.png

核心功能

  • Dyn - VQA 数据集：评估 mRAG 方法处理动态知识检索任务的表现，涵盖多种领域和动态问题类型。
  • OmniSearch：将复杂多模态问题分解为子问题链，根据问题解决状态和检索内容动态调整检索策略，为 MLLMs 提供相关准确知识。

技术原理

  • Dyn - VQA 数据集构建：通过文本问题写作、多模态改写、中英文翻译与校对三步构建，确保问题质量和多样性。
  • OmniSearch 框架：由规划 agent、检索器、子问题求解器组成。规划 agent 根据问题和反馈生成子问题、选择检索工具；检索器执行检索操作；子问题求解器解答子问题并反馈。

应用场景

------------------------------------------------------------

1.StructRAG 阿里

简介

StructRAG 是中国科学院和阿里巴巴集团研究人员提出的新 RAG 框架。现有 RAG 方法处理知识密集型推理任务时，因信息分散难以准确识别关键信息和全局推理。StructRAG 借鉴人类处理复杂问题时将信息结构化的认知理论，采用混合信息结构化机制，根据任务需求构建和利用结构化知识，提升 LLMs 在知识密集型推理任务上的性能。

核心功能

  • 混合结构路由器：根据输入问题和文档核心内容，选择最合适的知识结构类型，如表格、图形等，使用基于 DPO 的方法训练。
  • 分散知识结构化器：将原始文档转化为选定格式的结构化知识及知识描述，汇总成整体知识结构和总体描述。
  • 结构化知识利用器：将复杂问题分解为简单子问题，从结构化知识中提取精确知识，整合后生成最终答案。

技术原理

  • 采用混合信息结构化机制，通过三个模块依次完成任务。混合结构路由器基于问题和文档核心内容确定最佳结构类型；分散知识结构化器利用 LLM 能力将原始文档转化为对应结构化知识；结构化知识利用器对问题分解和知识提取以进行准确推理。
  • 训练混合结构路由器时，使用合成 - 模拟 - 判断方法构建偏好对，通过 DPO 算法训练，使路由器能准确选择结构类型。

应用场景

适用于各种知识密集型推理任务，如财务报告分析、多文档信息比较、总结归纳、长链推理、规划任务等，可有效解决任务中信息分散和噪音问题，提升推理准确性。

------------------------------------------------------------

2.tiny-graphrag

简介

Tiny GraphRAG 是一个轻量级、约1000行的GraphRAG（图谱检索增强生成）算法的Python实现。它旨在提供一个易于理解、可修改且不依赖任何框架的解决方案。该项目的一大特色是仅使用本地运行的语言模型，不依赖于OpenAI或任何商业大模型服务商，支持完全本地化部署和运行。

核心功能

  • 本地化信息抽取与知识图谱构建： 利用本地运行的语言模型从文本数据中提取实体和关系，并构建结构化的知识图谱。
  • 图谱驱动的检索增强： 基于构建的知识图谱进行信息检索，为语言模型提供更精准和丰富的上下文信息。
  • 本地化大模型生成： 结合检索到的图谱信息，使用本地部署的大模型进行高质量的文本生成。
  • 知识图谱可视化： 提供知识图谱的构建与查询结果的可视化功能。

技术原理

Tiny GraphRAG的核心技术原理在于将知识图谱与检索增强生成（RAG）范式相结合，并特别强调本地化部署。
  • 文本预处理与分块： 输入的文本数据被进行预处理和逻辑分块。
  • 实体与关系抽取： 利用预训练的本地语言模型对文本分块进行自然语言理解，从中识别关键实体及其相互之间的关系。
  • 知识图谱构建： 将抽取的实体和关系转化为图结构数据，存储在图数据库中，形成知识图谱（Knowledge Graph）。这通常涉及节点（实体）和边（关系）的定义。
  • 图谱检索： 当用户提出查询时，系统会基于查询内容在知识图谱中进行路径查找或子图匹配，检索出与查询最相关的图谱信息（结构化上下文）。
  • 本地大模型融合生成： 将检索到的知识图谱信息作为增强上下文，输入到本地运行的语言模型中。语言模型结合这些结构化信息，生成更准确、更具上下文相关性的回答。整个过程不涉及外部API调用，保证数据隐私和运行效率。

应用场景

  • 本地知识库问答系统： 构建私有的、不依赖云服务的企业内部或个人知识库问答系统，适用于对数据隐私要求高的场景。
  • 离线智能助手： 在没有互联网连接或网络环境不稳定的情况下，提供智能问答、信息检索和内容生成服务。
  • 轻量级RAG系统原型开发： 为研究人员和开发者提供一个简洁、易于理解和修改的GraphRAG实现，用于快速验证概念和功能。
  • 资源受限环境下的AI应用： 在计算资源相对有限的环境中运行检索增强生成任务，实现高效的信息处理。
  • limafang/tiny-graphrag

Youtu-GraphRAG – 腾讯优图开源的图检索增强生成框架

Youtu-GraphRAG是腾讯优图实验室开源的图检索增强生成（GraphRAG）框架，旨在通过将知识组织成图谱，结合大语言模型（LLM）进行高效检索和推理，从而提高LLM在处理复杂问答任务时的准确性和可信度，有效减少“幻觉”现象。该框架提出了一种垂直统一的代理范式（Vertically Unified Agents），将整个系统流程进行精妙集成。

Youtu-GraphRAG.png

核心功能

  • 知识图谱构建与管理: 将非结构化或半结构化数据转化为结构化的知识图谱，实现知识的有效组织和存储。
  • 图检索增强生成: 利用构建的知识图谱作为外部知识源，增强大语言模型的检索能力，确保生成内容基于事实、准确可靠。
  • 复杂推理能力提升: 赋能大语言模型在图谱结构上进行更深层次的逻辑推理，以解决复杂问答和分析任务。
  • 减少模型幻觉: 通过提供可追溯的外部知识证据，显著降低大型语言模型生成不准确或虚假信息的风险。

Youtu-GraphRAG-comm.png

youtu-graphrag1.png

技术原理

Youtu-GraphRAG的核心技术在于其“垂直统一的代理范式”，该范式深度融合了图结构数据处理与大语言模型的检索生成机制。
  • 知识抽取与图谱构建: 通过自然语言处理技术（如命名实体识别、关系抽取、事件抽取），从原始文本数据中识别实体、属性和关系，并将其组织成节点和边构成的知识图谱。
  • 图嵌入与语义表示: 运用图神经网络（GNNs）等技术对知识图谱进行嵌入，将图结构信息编码为低维向量表示，使其与大语言模型的语义空间对齐，便于后续的检索与融合。
  • 多模态/多源信息融合: 支持集成来自不同来源和模态的数据到统一的知识图谱中。
  • 代理驱动的检索与推理: 设计多个协作代理模块，分别负责知识图谱的检索、上下文的构建、以及与大语言模型进行交互，引导LLM在图谱知识的基础上进行精确推理和生成。
  • RAG机制优化: LLM不再完全依赖其内部参数知识，而是利用代理从知识图谱中检索到的相关信息作为额外上下文，从而生成更准确、更具解释性的答案。

应用场景

  • 智能问答系统: 在需要高准确性和可信度的专业领域（如医疗诊断、法律咨询、金融分析）提供事实性问答服务。
  • 企业级知识管理: 用于企业内部文档、报告、数据等非结构化信息的智能检索、深度分析与洞察提取。
  • 智能决策支持: 辅助分析师和决策者从海量复杂数据中快速提取关键信息、识别潜在关联并进行逻辑推理。
  • 内容创作与摘要: 为大语言模型提供结构化的背景知识和事实依据，以生成更丰富、准确、高质量的报告、文章或摘要。
  • 科研信息挖掘: 帮助研究人员从学术论文、专利等文献中发现实体间的深层联系和知识结构。
  • GitHub仓库：https://github.com/TencentCloudADP/youtu-graphrag
  • arXiv技术论文：https://arxiv.org/pdf/2508.19855

------------------------------------------------------------

⬆ 返回README目录 ⬆ Back to Contents