本项目聚焦于结合 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。

✨ 项目亮点

• 从零开始复现 GraphRAG
• 完整实现了 GraphRAG 的核心功能，将知识表明为图结构
• 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
• ：实目前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，持续改善系统

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

网页端演示

非调试模式下的问答：

调试模式下的问答（包含轨迹追踪（langgraph节点）、命中的知识图谱与文档源内容，知识图谱推理问答等）：

Github:https://github.com/1517005260/graph-rag-agent