Graph-RAG Agent聚焦于结合 GraphRAG 与 私域 Deep Search 的方式，实现可解释、可推理的智能问答系统，同时结合多 Agent 协作与知识图谱增强，构建完整的 RAG 智能交互解决方案。
亮点
-
从零开始复现 GraphRAG：完整实现了 GraphRAG 的核心功能，将知识表示为图结构；
-
DeepSearch 与 GraphRAG 创新融合：现有 DeepSearch 框架主要基于向量数据库，本项目创新性地将其与知识图谱结合；
-
多 Agent 协同架构：实现不同类型 Agent 的协同工作，提升复杂问题处理能力；
-
完整评估系统：提供 20+ 种评估指标，全方位衡量系统性能；
-
增量更新机制：支持知识图谱的动态增量构建与智能去重；
-
思考过程可视化：展示 AI 的推理轨迹，提高可解释性和透明度；
功能模块
图谱构建与管理
-
多格式文档处理：支持 TXT、PDF、MD、DOCX、DOC、CSV、JSON、YAML/YML 等格式
-
LLM 驱动的实体关系提取：利用大语言模型从文本中识别实体与关系
-
增量更新机制：支持已有图谱上的动态更新，智能处理冲突
-
社区检测与摘要：自动识别知识社区并生成摘要，支持 Leiden 和 SLLPA 算法
-
一致性验证：内置图谱一致性检查与修复机制
GraphRAG 实现
-
多级检索策略：支持本地搜索、全局搜索、混合搜索等多种模式
-
图谱增强上下文：利用图结构丰富检索内容，提供更全面的知识背景
-
Chain of Exploration：实现在知识图谱上的多步探索能力
-
社区感知检索：根据知识社区结构优化搜索结果
DeepSearch 融合
-
多步骤思考-搜索-推理：支持复杂问题的分解与深入挖掘
-
证据链追踪：记录每个推理步骤的证据来源，提高可解释性
-
思考过程可视化：实时展示 AI 的推理轨迹
-
多路径并行搜索：同时执行多种搜索策略，综合利用不同知识来源
多种 Agent 实现
-
NaiveRagAgent：基础向量检索型 Agent，适合简单问题
-
GraphAgent：基于图结构的 Agent，支持关系推理
-
HybridAgent：混合多种检索方式的 Agent
-
DeepResearchAgent：深度研究型 Agent，支持复杂问题多步推理
-
FusionGraphRAGAgent：融合型 Agent，结合多种策略的优势
系统评估与监控
-
多维度评估：包括答案质量、检索性能、图评估和深度研究评估
-
性能监控：跟踪 API 调用耗时，优化系统性能
-
用户反馈机制：收集用户对回答的评价，持续改进系统
前后端实现
-
流式响应：支持 AI 生成内容的实时流式显示
-
交互式知识图谱：提供 Neo4j 风格的图谱交互界面
-
调试模式：开发者可查看执行轨迹和搜索过程
-
RESTful API：完善的后端 API 设计，支持扩展开发
github：github.com/1517005260/…
原文地址：https://mp.weixin.qq.com/s/V1pkrdTLHy9tx9FlstVK-w
