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。

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。

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 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。

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。

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。

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。

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。

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。

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 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。

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。

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。

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。

面向 LLM 推理、RAG 与 Agent 工作流的开源协议栈，提供问题地图、全局调试卡等工具，帮助定位幻觉、对齐和检索环节的故障。

中文优先的企业级 RAG 知识库，把文档解析、切块、混合检索、重排、引用溯源、知识图谱和评测串成一条可控流水线，还能直接接入 Dify。

给 AI Agent 用的本地优先记忆、决策引擎与治理框架，状态存在本地、可跨 IDE 迁移，解决 Agent 长期记忆和可控性问题。

用 Rust 单二进制为 AI 编程助手提供代码库深度理解，集语义搜索、知识图谱和内置 MCP 服务器于一体，让 Claude、Cursor 等客户端读懂你的代码。

把 AI 智能体的记忆全部存进单个 SQLite 文件，内置知识图谱、本体约束和可追溯推理，让本地优先的记忆管理不再依赖外部服务。

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。