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。

给 AI Agent 用的实时知识图谱构建框架，把对话和文档里的实体关系抽出来存成图，让 Agent 检索时能拿到带结构的长期记忆。

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。

可私有部署的多租户知识智能体平台，把 RAG、知识图谱、多智能体编排、MCP/Skills 和沙盒权限管理整合在一起，适合企业自建知识问答与智能体应用。

开源 AI 记忆系统，基于 ChromaDB 为 LLM 提供持久化记忆存储与检索，在基准测试中表现领先，可免费自托管。

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。

给 AI Agent 提供持久化长期记忆的开源平台，用小型模型即可免费搭建，解决智能体跨会话记不住上下文的问题。

原生图数据库，用 Cypher 查询语言存储和遍历关联数据，适合做知识图谱、关系分析和 RAG 检索。

面向 AI 智能体的图原生上下文基础设施，用上下文图谱管理记忆与决策依据，让 AI 系统的行为可追溯、可问责。

生产可用的智能体式 RAG 检索系统，提供 RESTful API，帮开发者快速搭建带检索增强的问答与搜索服务。

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。

用大模型从文档里自动抽取实体和关系，生成可交互的知识图谱，省去手工梳理和建模的麻烦。

用 Rust 写的 OLTP 图数据库，跑在对象存储上，原生集成向量检索和全文搜索，适合给 RAG 应用做统一的数据底座。

基于 OpenSPG 引擎和大模型构建的逻辑推理与检索框架，用逻辑形式引导专业领域知识库做事实问答，解决传统 RAG 向量相似度检索在多跳推理上不可靠的问题。

从任意文本自动抽取实体与关系并生成知识图谱的 Python 工具，附带基准测试，方便用 LLM 构建和评测图谱抽取流程。

用 Python 在知识图谱上做表示学习，把实体和关系训练成向量，方便做链接预测和关系推理。

用大模型从文本中自动抽取实体与关系，构建带时间维度的知识图谱，适合做 RAG 检索和结构化知识沉淀。

给 Claude 加一个本地知识图谱记忆服务，通过 MCP 协议把对话中的实体和关系持久化到本地，解决 AI 跨会话记不住上下文的问题。

在本地对 Markdown 笔记做 Graph RAG 问答，从 wikilink 和 YAML 中抽取实体关系，结合向量、BM25 与时间混合检索，全程离线跑在 Ollama 上。