bibinprathap/VeritasGraph

VeritasGraph – 受管控的本地 GraphRAG 与代理框架

简介

• 一个开源 Python 包，用 图+树 检索方法取代传统的基于向量的检索增强生成（RAG）。它从文档中构建知识图谱，存储出处（每个节点/边来自哪个文档的哪个块），并让 LLM 驱动的代理在该图谱上进行推理。
• 专为隐私优先部署而设计：它可以在本地机器（通过 Ollama）或容器化的生产堆栈（Docker + Neo4j）中完全运行。除非你明确使用云 LLM API，否则数据不会离开本地。

主要功能

功能	工作方式
GraphRAG 摄取	解析 PDF、文本或其他来源，提取实体/关系，并将它们写入 Neo4j 风格图，带有指向原始文档块的证据边。
树+图检索	结合分层页面索引导航（树）和语义图链接，实现确定性的多跳推理和精确的来源引用。
受管控的代理	内置“Studio”UI 允许你创建代理、附加护栏（PII 编辑、策略阻止）、内存和工具目录。编排管道在每轮中完全可观察。
MCP 服务器	通过模型上下文协议（JSON-RPC）公开引擎，使基于 IDE 的助手（Claude Desktop、Cursor、VS Code 等）无需外部网络流量即可查询图。
模式	lite（云 LLM，快速演示）、local（Ollama 模型，离线）、full（用于生产的 Docker + Neo4j）。
可扩展示例	包括医疗临床笔记知识图谱、施工图纸工程量清单和市政事件报告聊天机器人的演示，展示了如何插件视觉模型、CV 验证和自定义工具。

典型工作流

1. 摄取 – veritasgraph ingest <doc>（或运行 Studio UI）以创建带出处的知识图谱。
2. 查询 – veritasgraph query "..." 返回多跳答案以及 [doc3#chunk12] 等引用。
3. 代理 – 在 Studio 中定义代理，附加工具（例如 HTTP 调用），设置护栏，然后聊天。UI 可视化每一步：护栏 → 内存 → 图查找 → 工具调用 → 响应。
4. 部署 – 运行 MCP 服务器（python -m veritasgraph_mcp），并将任何 MCP 兼容的 IDE 助手指向它。

为什么重要

• 设计上的归属 – 出处是在写入时存储的，消除了幻觉引用。
• 确定性检索 – 图遍历每次运行都会产生相同的证据轨迹，与随机向量相似性不同。
• 明确弃权 – 如果图中缺少所需的边，代理可以回答 “证据不足”，而不是猜测。
• 企业就绪 – 本地部署、审计日志、PII 编辑和基于角色的访问控制均已内置。

开始使用

pip install veritasgraph
veritasgraph demo --mode=lite   # 快速云 API 演示
# 或完全离线使用
veritasgraph demo --mode=local --model=llama3.2

如需完整的生产堆栈，请参阅仓库中的 Docker/Neo4j 说明。

资源

• README 中链接的实时演示站点、Studio UI 和 Colab 笔记本。
• PDF 指南 Build Governed AI Agents On-Prem（架构和部署的演练）。
• 演示图推理可视化和视觉 RAG 扩展的 YouTube 演讲。

---

底线：VeritasGraph 是一个真正的 MIT 许可框架，用于构建可信的、本地部署的 AI 代理，这些代理在结构化知识图谱上推理，而不是在原始向量相似性上推理，并提供完整的可审计性和零信任集成选项。