把代码库连同文档、SQL schema、配置和 PDF 一起解析成可查询的知识图谱，供 Claude Code、Cursor 等编码 Agent 做代码检索，全程本地 AST 解析、不依赖向量库。

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。

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。

用大语言模型驱动的 Python 爬虫，只需描述想抓什么，就能自动完成网页抓取和结构化数据提取，省去手写解析规则。

用状态图编排有状态、可容错的 LLM Agent 工作流，支持循环、分支和人工介入，适合构建生产级多步智能体。

面向 Agent 应用的 Python 可观测性 SDK，支持对 Agent、LLM 和工具调用做追踪、调试与评测，自带可自托管面板，用时间线和执行图看清多智能体系统的运行过程。

面向 monorepo 的代码检索增强生成工具，用知识图谱和 AST 解析多语言代码库，支持自然语言查询、理解与编辑代码。

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。

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。

Efficient Retrieval Augmentation and Generation Framework

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。

把 PDF 等非结构化文档转成经过校验、可查询的知识图谱，方便做 RAG 和文档关系分析。

面向循证医学信息检索的图谱 RAG 系统，把医学知识组织成图结构再结合大模型检索，让回答有据可查、可溯源。

用 Rust 实现代码图谱 RAG，靠 AST 和 FastML 快速解析代码，后端接 SurrealDB，并通过 MCP 提供智能体代码分析工具，帮编码 Agent 高效管理上下文。

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。

把向量检索、知识图谱和交叉编码器重排揉在一起的混合 RAG 系统，支持 Docling 解析文档、图片表格理解、流式对话和行内引用，可接 Gemini 或本地 Ollama。

用 Rust 实现的高性能 GraphRAG 引擎，从文档中抽取实体构建知识图谱，支持可配置实体抽取和本地 LLM 接入，实现自然语言问答。

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。

给 AI Agent 用的无服务器单文件记忆层，用嵌入式向量检索替代复杂 RAG 管线，让智能体拥有即时检索和长期记忆能力。

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。

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。

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。

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。

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。

面向长周期智能体的增量数据索引引擎，用 Rust 实现，支持变更数据捕获和 ETL，让代码库与数据源持续保持可查询的最新状态。

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 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。

为 AI 原生软件开发生命周期构建上下文图谱，把代码库和开发流程知识组织成可检索的图结构，让 AI 代理更准确地理解项目上下文。

仿生认知记忆引擎，用图结构为 LLM 智能体提供长期记忆与情节记忆，是 Graph RAG 的新范式。

用 LLM 把非结构化文本抽取成结构化知识，一条命令即可生成图、超图以及时空信息，适合搭建知识图谱和 RAG 数据管线。

把 Slack、Drive、Jira 等 50 多个企业数据源汇成带权限控制的上下文层，让 AI 智能体能搜索、检索并引用公司知识。

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。

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。

给 LLM Agent 用的长期记忆系统，通过压缩和知识图谱把文本与多模态历史高效存下来，让 Agent 跨会话记住关键信息。

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。

低代码构建多智能体大模型应用的框架，把模型微调、知识库、数据流程等环节封装成简单接口，让开发者少写胶水代码就能搭出复杂 Agent 系统。

丢进资料就能自动构建并维护个人知识库，由 Claude、Codex 或 Gemini 读取内容、抽取知识，生成持续互联的 Markdown wiki，无需 API key。

把原始文档编译成结构化、本地优先的 wiki 知识库，用可读可维护的编译式方案替代传统 RAG，支持自管理自改进。