知识图谱与传统RAG的开源框架有哪些？
nano-GraphRAG、LightRAG或GraphRAG-Local-UI更易上手。：优先选择微软GraphRAG、Fast GraphRAG或蚂蚁KAG，兼顾功能与扩展性。基于OpenSPG引擎，支持逻辑符号推理与知识对齐，兼容开放抽取和Schema约束构建。混合推理引擎（规划+推理+检索），支持图结构与文本块互索引。将文本转化为知识图谱，通过社区检测生成全局摘要，支持本地查询（实体推理）
1.现有的 GraphRAG 开源框架
以下是目前主流的基于知识图谱的检索增强生成（RAG）开源框架，涵盖技术特点、应用场景及开源地址：
1.1 微软 GraphRAG 系列
| 框架名称 | 源码链接 | 特点 | 应用场景 | 优势 |
|---|---|---|---|---|
| GraphRAG | https://github.com/microsoft/graphrag |
将文本转化为知识图谱，通过社区检测生成全局摘要， 支持本地查询（实体推理）和全局查询（主题理解）。 |
企业文档问答、 复杂信息抽取。 |
到端数据管道， 兼容Azure部署， 支持多跳推理。 |
| nano-GraphRAG | https://github.com/jaylzhou/nano-graphrag |
代码量仅1100行，集成Faiss和Neo4j， 支持异步处理和本地模型（如Ollama）。 |
轻量级语义问答、 本地知识图谱构建。 |
|
| Tiny-GraphRAG | https://github.com/weixin_43589681/Tiny-GraphRAG | 最简实现，支持文档上传、实体抽取和基础查询，适合快速验证想法。 |
1.2 垂直领域与优化框架
| 框架名称 | 源码链接 | 技术特点 | 应用场景 |
|---|---|---|---|
| 框架名称 | 源码链接 | 技术特点 | 应用场景 |
| 蚂蚁 KAG | https://github.com/OpenSPG/KAG |
基于OpenSPG引擎，支持逻辑符号推理与知识对齐，兼容开放抽取和Schema约束构建。 混合推理引擎（规划+推理+检索），支持图结构与文本块互索引。 |
医疗、政务等专业领域问答，准确率在政务场景达91%。 |
| KG-RAG4SM | https://github.com/machuangtao/KG-RAG4SM |
针对模式匹配任务， 结合向量检索、图遍历和查询式检索， 支持主流LLM（如Llama、GPT）。 |
数据集成、跨领域知识融合。 |
| Fast GraphRAG | https://github.com/CircleMind/fast-graphrag | 结合PageRank算法优化检索效率，推理成本降低6倍，支持增量更新和异步推理。 | 实时问答、大规模知识库。 |
1.3 研究与教学框架
| 框架名称 | 源码链接 | 技术特点 | 应用场景 |
|---|---|---|---|
| DIGIMON | https://github.com/jaylzhou/digimon | 支持多种GraphRAG变种（如LGraphRAG、HippoRAG），通过YAML配置快速切换策略。 | 学术研究、多跳问答算法评估。 |
| LightRAG | https://github.com/hkust-knowcomp/lightrag | 双层检索（文档层+图谱层），支持图可视化和多格式导出，适配教学与快速开发。 | 企业文档问答、复杂信息抽取。 |
| HuixiangDou2 (ROGRAG) | https://github.com/huixiangdou/huixiangdou2 | 专注中文多轮问答，支持群组对话和文档-图谱双重检索。 | 客服系统、技术支持类问答。 |
1.4 选型建议
企业级部署：优先选择微软GraphRAG、Fast GraphRAG或蚂蚁KAG，兼顾功能与扩展性。
轻量级本地应用：nano-GraphRAG、LightRAG或GraphRAG-Local-UI更易上手。
学术研究：DIGIMON、KG-RAG4SM提供灵活的算法验证环境。
中文场景：HuixiangDou2（ROGRAG）和蚂蚁KAG对中文语义理解更优。
中国智能体开发者社区，聚焦智能体与大模型开发，提供前沿资讯、实用工具链、开源项目及行业案例。通过技术沙龙、开发者大赛等活动，促进经验交流与协作，助力开发者快速构建创新智能应用。
更多推荐
10
0- 0
已为社区贡献12条内容
所有评论(0)