检索增强引擎
GraphRAG、混合检索、重排等增强方案。
面向智能体的 RAG 检索引擎，把文档解析、知识编译和上下文管理整合成一套基础设施，帮 Agent 稳定拿到高质量检索结果。
轻量级检索增强生成引擎，用图结构组织知识并支持增量更新，让 RAG 检索更快更省资源。
基于知识图谱的模块化检索增强生成系统，把文档抽成实体关系图，让大模型在回答复杂问题时能跨文档做全局推理。
一份面向 AI Agent 开发与大模型求职的系统指南，覆盖上下文工程、高级 RAG、MCP、Agentic RL 和 LangGraph 实战，并附 1.2 万+ 面试题。
基于 GraphBLAS 稀疏邻接矩阵实现的高性能图数据库，主打为 LLM 提供知识图谱支撑，适合做 GraphRAG 检索增强。
基于 Rust 和 PostgreSQL 的自托管企业级世界模型，用双时态知识图谱与 GraphRAG 为 LLM Agent 提供可追溯的长期记忆和知识检索。
用 LLM 从非结构化文本里自动抽取实体和关系，直接建成 Neo4j 知识图谱，省去手工建模和写 Cypher 的麻烦，适合做 GraphRAG 和知识库。
基于 Graph RAG 的对话式知识库工具，用 TiDB Serverless 向量存储做检索，能基于知识图谱回答提问。
面向 Agent 的 AI 治理平台，用上下文图谱管理知识、上下文和 Agent 运行时，让 Agent 行为可追溯、可管控。
一种新的 RAG 检索架构，用知识图谱和向量检索构建知识库，让人和 Agent 都能高效查询结构化知识。
汇总基于图的检索增强生成（GraphRAG）相关综述、论文、基准和开源项目，帮研究者快速找到图谱结合 RAG 的资料。
给编码智能体用的零依赖 C++23 命令行工具和 MCP 服务器，像 ripgrep 一样快速检索代码上下文，还能评估改动影响范围、该跑哪些测试和质量变化。
用 Rust 写的高性能 GraphRAG 引擎，灵感来自 LightRAG，把文档转成知识图谱，让检索和生成效果更好。
面向 AI 编程助手和 IDE 的高性能代码智能引擎，基于图结构索引 257 种语言和多个仓库，通过 CLI、MCP 和 API 只暴露必要代码信息，把 token 消耗最多降低 50 倍，且完全本地运行。
面向生产环境的 GraphRAG 系统，支持多模态索引、AI 智能体和 MCP 协议，可在 K8s 上弹性部署，帮团队把知识图谱与检索增强真正落地。
基于 FalkorDB 图数据库构建 GraphRAG 应用的 Python SDK，把知识图谱和向量检索结合起来，让大模型问答更准确、可规模化。
基于层次化知识图谱的 Graph RAG 系统，把文档组织成分层结构来提升检索增强生成的召回与准确度，开箱即用。