前幾天我分享了一篇文章知識圖譜+向量數據庫：打造更智能的RAG系統，介紹了如何把知識圖譜和RAG系統相結合，來提升檢索內容的準確性。然后有讀者詢問我是否有相關的開源項目推薦，我整理了下，目前有6個關注比較高的圖RAG項目，大家可以關注學習一下。

Microsoft GraphRAG

微軟官方發布的 GraphRAG 是一個構建在 LLM 與圖機器學習結合基礎上的檢索增強生成系統。它能夠從私有文檔中自動構建知識圖譜，在查詢時借助圖結構進行多跳推理，提升復雜問答表現。

它支持圖結構推理和鏈式多輪查詢，提供完整的端到端數據管道，并兼容 Azure 等企業級部署。該項目通過 GitHub 地址（microsoft/graphrag）提供，適用于企業內部文檔問答、復雜信息抽取以及語義搜索等場景，幫助用戶高效處理和分析海量數據。

Nano-GraphRAG

Nano-GraphRAG 是一個專注于簡化的 GraphRAG 實現，代碼量僅約 1100 行，卻保留了核心能力，并兼容多種本地/云模型。

Nano-GraphRAG架構精簡，支持異步處理，同時默認集成向量庫Faiss，圖數據庫Neo4j以及大模型調用工具Ollama。有全局和局部兩種查詢方式，支持增量更新、定制模板。

相對來說，因為Nano-GraphRAG代碼更少，部署簡單，因此更適合本地知識圖構建以及用于輕量級語義問答服務。

DIGIMON

由 JayLZhou 等人開發的 DIGIMON（又名 GraphRAG）是一個用于研究 GraphRAG 多種算法效果的平臺，特別適合學術研究者和算法團隊。

DIGIMON支持實現多種變種（如 LGraphRAG、HippoRAG 等），通過 YAML 配置實現快速策略切換，并附帶評估腳本與數據集，同時兼容本地及 OpenAI 模型。該項目更適用于圖譜問答算法研究以及多跳 QA 效果評估等場景。

Fast GraphRAG

Fast GraphRAG 由 CircleMind AI 發布，主打高性能和高可解釋性，在保持查詢準確度的同時，顯著降低計算開銷。

fast-graphrag 項目支持 PageRank 式圖遍歷搜索、增量更新與自動圖精煉、異步推理以及類型安全等亮點特性，在官方文檔說明中，表示其可節省約 6 倍推理成本。該項目更適用于需要高性價比和低延遲知識問答系統的企業部署。

LightRAG

LightRAG 由香港大學開發，是一個帶有圖譜可視化界面的 RAG 系統，支持多種文件類型的解析，適合教學、演示及快速開發。

LightRAG 項目支持文檔上傳、實體識別、圖譜構建、可視化查詢路徑、多格式導出，并集成 Ollama、本地模型與圖數據庫，提供 Web 前端和 RAG 對話接口。該項目更適用于教育、知識展示以及通用 RAG 服務化部署等場景。

HuixiangDou2

由華師大團隊推出的 HuixiangDou2（又名 ROGRAG）專注于多輪問答場景中的知識增強，支持雙層檢索策略，強調中文能力與魯棒性。

HuixiangDou2 項目支持 Group Chat 場景、文檔層與圖譜層雙重檢索增強，默認支持中文 (zh_cn) 接口，并適配客服和技術支持類問答系統。該項目更適用于中文環境下的客服系統和智能助手等場景。

最后再總結一波，對于工業級企業部署，建議使用Microsoft GraphRAG和Fast GraphRAG；對于輕量級或本地測試，推薦Nano-GraphRAG 和LightRAG；針對圖譜問答研究，選擇DIGIMON；對于中文多輪問答，推薦HuixiangDou2（ROGRAG）。這些項目可根據具體場景進行選擇，以優化知識圖譜和問答系統的性能。

寫在最后

2025年的今天，AI創新已經噴井，幾乎每天都有新的技術出現。作為親歷三次AI浪潮的技術人，我堅信AI不是替代人類，而是讓我們從重復工作中解放出來，專注于更有創造性的事情，關注我們公眾號口袋大數據，一起探索大模型落地的無限可能！