Youtu-GraphRAG是基于LLM的垂直一体化智能体范式，通过图谱模式实现无缝领域迁移。该框架创新采用基于Schema的分层知识树构建、双重感知社区发现和智能体检索技术，显著降低Token成本33.6%并提升准确率16.62%。适用于多跳推理、知识密集型任务和领域可扩展场景，支持快速部署和可视化展示，为大模型应用提供高效知识组织解决方案。

🚀 革命性框架：相比 SOTA 基线实现 33.6% 更低 Token 成本、16.62% 更高准确率

简介

Youtu-GraphRAG 是一种垂直一体化的智能体范式，它通过 图谱模式（graph schema） 将整个框架紧密连接成一个复杂而精巧的整体。
它支持在图谱模式上进行无缝的领域迁移，几乎无需干预，即可展现出新一代 GraphRAG 在真实场景下的 卓越适应性。

何时以及为什么使用 Youtu-GraphRAG？

•多跳推理 / 总结 / 归纳：适用于需要 多步推理 的复杂问题场景。•知识密集型任务 : 处理依赖大量 结构化 / 私有 / 领域知识 的问题时，效果尤为突出。•领域可扩展性 : 只需对 图谱模式（schema） 做极少干预，就能轻松支持 百科全书、学术论文、商业/私有知识库 等多种领域。

🏗️ 框架架构

Youtu-GraphRAG 框架架构示意图

交互式界面

创新与贡献

基于我们提出的 统一智能体范式 Graph Retrieval-Augmented Generation (GraphRAG)， Youtu-GraphRAG 引入了若干关键创新点，使整个框架形成了紧密的一体化集成：

1. 基于 Schema 的分层知识树构建

•🌱 种子图谱 Schema：通过目标实体类型、关系和属性类型约束自动抽取代理•📈 可扩展的 Schema 拓展：持续扩展以适应未知领域•🏢 四层架构：•Level 1 (Attributes)：实体属性信息•Level 2 (Relations)：实体三元组关系•Level 3 (Keywords)：关键词索引•Level 4 (Communities)：层级社区结构•⚡ 快速适配工业应用：可在最小化干预下实现领域迁移

2. 双重感知的社区发现

• 新型社区检测算法：融合结构拓扑与子图语义，提供更全面的知识组织方式• 分层知识树：自然支持自顶向下的过滤与自底向上的推理，性能优于传统的 Leiden 和 Louvain 算法• 社区摘要：利用 LLM 生成社区级别的摘要，实现更高层次的知识抽象

3. 智能体检索（Agentic Retrieval）

• Schema 感知的分解：利用相同的图谱 schema 将复杂查询拆分为可处理的并行子查询• 迭代反思：通过 IRCoT（Iterative Retrieval Chain of Thought） 机制进行反思，实现更高级的推理能力

4. 面向真实部署的高级构建与推理能力

• 性能优化：通过优化提示词、索引与检索策略，实现更低的 Token 成本和更高的准确率• 用户友好的可视化：在 output/graphs/ 中，四层知识树支持 Neo4j 导入，让推理路径和知识组织直观可见• 并行子问题处理：对分解后的子问题并行处理，提升复杂场景下的效率• 迭代推理：逐步构建答案，并保留推理链路（Reasoning Traces）• 领域可扩展性：为企业级部署而设计，新领域迁移所需的人工干预最小

5. 公平匿名数据集 AnonyRAG

•数据链接：Hugging Face AnonyRAG[1]•防止知识泄露：应对 LLM / 向量模型预训练中的知识泄漏问题•真实检索性能测试：对 GraphRAG 的检索效果进行深入评测•多语言支持：提供 中英文版本

6. 统一配置管理

•集中化参数管理：所有组件通过单一 YAML 文件 配置•运行时参数覆盖：支持执行时动态调整配置•多环境支持：最小化 schema 干预即可实现领域迁移•向后兼容性：确保已有代码可继续运行

性能对比

在 GraphRAG-Bench、HotpotQA、MuSiQue 等六个挑战性基准上的广泛实验表明：
Youtu-GraphRAG 的鲁棒性得到验证，显著推动了 Pareto 前沿（Pareto Frontier），实现：

•Token 成本节省高达 90.71%•准确率提升 16.62%

结果表明该框架具有极强的适应性，能够在最小化 schema 干预下实现无缝领域迁移。

（见成本/准确率的雷达图对比）

项目结构

youtu-graphrag/
├──📁 config/# 配置系统
│├── base_config.yaml # 主配置文件
│├── config_loader.py # 配置加载器
│└── init.py # 配置模块接口
│
├──📁 data/# 数据目录
│
├──📁 models/# 核心模型
│├──📁 constructor/# 知识图谱构建
││└── kt_gen.py # KTBuilder - 分层图谱构建器
│├──📁 retriever/# 检索模块
││├── enhanced_kt_retriever.py # KTRetriever - 主检索器
││├── agentic_decomposer.py # 查询分解器
│└──└── faiss_filter.py # DualFAISSRetriever - FAISS 检索器
│
├──📁 utils/# 工具模块
│├── tree_comm.py # 社区检测算法
│├── call_llm_api.py # LLM API 调用工具
│├──eval.py # 评估工具
│└── graph_processor.py # 图谱处理工具
│
├──📁 schemas/# 数据集 Schema
├──📁 assets/# 资源文件（图片、图表）
│
├──📁 output/# 输出目录
│├── graphs/# 已构建的知识图谱
│├── chunks/# 文本分块信息
│└── logs/# 运行日志
│
├──📁 retriever/# 检索缓存
│
├── main.py # 🎯 主程序入口
├── requirements.txt # 依赖列表
├── setup_env.sh # 安装 Web 依赖脚本
├── start.sh # 启动 Web 服务脚本
└── README.md # 项目文档

快速开始

我们提供两种方式来运行和体验 Demo 服务。
考虑到底层环境的差异，推荐优先使用 Docker 部署。

💻 使用 Dockerfile 启动

该方式依赖于 Docker 环境，请根据官方文档[2]安装 Docker。

# 1. 克隆 Youtu-GraphRAG 项目
```bash
git clone https://github.com/TencentCloudADP/youtu-graphrag

2.创建.env 文件（参考.env.example）
cd youtu-graphrag && cp .env.example .env
在.env 文件中配置你的 LLM API，格式与OpenAI API 相同，例如：
# LLM_MODEL=deepseek-chat
# LLM_BASE_URL=https://api.deepseek.com
# LLM_API_KEY=sk-xxxxxx

3.使用Dockerfile构建镜像
docker build -t youtu_graphrag:v1 .

4.运行Docker容器
docker run -d -p 8000:8000 youtu_graphrag:v1

5.访问服务
curl -v http://localhost:8000
然后即可在浏览器中访问：
http://localhost:8000

💻 Web 界面体验

该方式依赖 Python 3.10 及相应的 pip 环境，请根据官方文档[3]安装 Python。

# 1. 克隆 Youtu-GraphRAG 项目
git clone https://github.com/TencentCloudADP/youtu-graphrag

2.创建.env 文件（参考.env.example）
cd youtu-graphrag && cp .env.example .env
在.env 文件中配置你的 LLM API，格式与OpenAI API 相同，例如：
# LLM_MODEL=deepseek-chat
# LLM_BASE_URL=https://api.deepseek.com
# LLM_API_KEY=sk-xxxxxx

3.配置运行环境
./setup_env.sh

4.启动Web服务
./start.sh

5.访问服务
curl -v http://localhost:8000
然后即可在浏览器中访问：
http://localhost:8000

📖 完整使用指南

更多高级配置与使用方式请参考：🚀 FullGuide[4]

立即开始使用 Youtu-GraphRAG，体验智能问答的强大能力！ 🚀

References
[1] Hugging Face AnonyRAG: https://huggingface.co/datasets/Youtu-Graph/AnonyRAG
[2] 官方文档: https://docs.docker.com/get-started/
[3] 官方文档: https://docs.python.org/3.10/using/index.html
[4] FullGuide: https://github.com/TencentCloudADP/youtu-graphrag/blob/main/FULLGUIDE.md

---

如何系统学习掌握AI大模型？

AI大模型作为人工智能领域的重要技术突破，正成为推动各行各业创新和转型的关键力量。抓住AI大模型的风口，掌握AI大模型的知识和技能将变得越来越重要。

学习AI大模型是一个系统的过程，需要从基础开始，逐步深入到更高级的技术。

这里给大家精心整理了一份全面的AI大模型学习资源，包括：AI大模型全套学习路线图（从入门到实战）、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等，资料免费分享！

1. 成长路线图&学习规划

要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。

这里，我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。可以说是最科学最系统的学习成长路线。

2. 大模型经典PDF书籍

书籍和学习文档资料是学习大模型过程中必不可少的，我们精选了一系列深入探讨大模型技术的书籍和学习文档，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。（书籍含电子版PDF）

3. 大模型视频教程

对于很多自学或者没有基础的同学来说，书籍这些纯文字类的学习教材会觉得比较晦涩难以理解，因此，我们提供了丰富的大模型视频教程，以动态、形象的方式展示技术概念，帮助你更快、更轻松地掌握核心知识。

4. 大模型行业报告

行业分析主要包括对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

5. 大模型项目实战

学以致用 ，当你的理论知识积累到一定程度，就需要通过项目实战，在实际操作中检验和巩固你所学到的知识，同时为你找工作和职业发展打下坚实的基础。

6. 大模型面试题

面试不仅是技术的较量，更需要充分的准备。

在你已经掌握了大模型技术之后，就需要开始准备面试，我们将提供精心整理的大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

全套的AI大模型学习资源已经整理打包，有需要的小伙伴可以微信扫描下方CSDN官方认证二维码，免费领取【保证100%免费】