FalkorDB/GraphRAG-SDK
Build fast and accurate GenAI apps with GraphRAG SDK at scale 🌟
解决的问题
GraphRAG SDK 解决了标准检索增强生成 (RAG) 系统中的常见故障点，特别是由于检索效果不佳导致的 LLM 幻觉。虽然基于向量的标准 RAG 往往无法捕获多跳关系或提供可验证的证据，但该框架使用知识图谱来存储结构化、类型化的事实，从而实现更准确的检索和可追溯、可引用的答案。
工作原理
它是一个构建在 FalkorDB 之上的模块化框架。在摄取过程中，它从文档中提取实体和关系以构建知识图谱。当用户提出问题时，系统会遍历图谱以查找关联证据，而不是仅仅依赖向量相似度。它通过 MENTIONED_IN 边支持来源追踪，允许应用程序验证生成声明的来源，或者在图谱缺乏足够证据时拒绝回答。
适用对象
该 SDK 专为构建生产级 RAG 应用程序的开发人员和工程师设计，他们需要高事实可靠性、多租户支持以及对其数据执行复杂多跳推理的能力。
亮点
- 基准领先的准确性： 在多文档和医疗基准测试中优于标准向量 RAG 和其他几种基于图的检索方法。
- 可追溯的来源： 每个答案都可以追溯到特定的源数据块，从而实现验证并减少幻觉。
- 增量更新： 支持高效的文档更新和删除，无需完全重建知识图谱。
- 灵活的模式： 允许用户定义自定义本体（实体和关系类型）以约束和结构化提取的信息。
- 生产就绪功能： 包括对多租户、PDF 摄取和可配置检索策略的支持。
相关
- 项目
RManLuo/gfm-ragGFM‑RAG 是一个 Python 库，可从文档（或现有知识图谱）构建图索引，并使用预训练的图基础模型——一种图神经网络——来检索用于检索增强生成的相关段落。它支持开箱即用地处理新数据集，可针对特定领域进行微调，并提供可解释的多跳推理路径。
- 项目
HKUDS/LightRAGLightRAG 是一个开源的 Python 框架，将向量嵌入与知识图谱索引相结合，用于快速、可扩展的检索增强生成。它支持多种分块策略、多模态文档解析、增量更新以及多种存储后端，并附带 REST API 和 Web UI。
- 项目
trustgraph-ai/trustgraphTrustGraph 是一个开源、本体原生的平台，可将文档转换为符合标准的 RDF/OWL 知识图谱，添加完整的来源追溯，并为基于 LLM 的代理提供自然语言和 SPARQL 查询接口。它以 Docker 容器形式发布，包含摄取管道、UI 和完整的 LLM 推理堆栈，旨在消除幻觉并提高复杂 AI 用例的可解释性。
- 项目
GiovanniPasq/agentic-rag-for-dummies一个教程风格的开源 Python 项目，展示了如何使用 LangGraph 构建模块化、智能体驱动的检索增强生成系统，包括分层分块、对话记忆、查询澄清、多智能体映射归约、自我纠正以及通过 RAGAS 进行评估。支持 Ollama、OpenAI、Anthropic、Google Gemini、Qdrant 向量存储，以及可选的 Langfuse 可观测性。
- 项目
neo4j/neo4j-graphrag-pythonNeo4j 推出的 Python 库，用于构建图检索增强生成（GraphRAG）应用。它提供将文本/PDF 转换为 Neo4j 知识图谱的流水线、向量索引工具、将向量搜索与图遍历相结合的混合检索器，以及一个简单的 RAG API，可接入任何支持的 LLM（OpenAI、Anthropic、Ollama 等）。通过 `pip install neo4j-graphrag` 安装（可选附加组件用于 LLM），创建知识图谱，索引嵌入，然后用自然语言查询。