产品库

KET-RAG 是一个结合知识图谱的检索增强型生成框架，用于高效文档索引和答案生成。

KET-RAG（Knowledge-Enhanced Text Retrieval Augmented Generation）是一个强大的检索增强型生成框架，结合了知识图谱技术。它通过多粒度索引框架（如知识图谱骨架和文本-关键词二分图）实现高效的知识检索和生成。该框架在降低索引成本的同时，显著提升了检索和生成质量，适用于大规模 RAG 应用场景。KET-RAG 基于 Python 开发，支持灵活的配置和扩展，适用于需要高效知识检索和生成的开发人员和研究人员。

一个适合学习、使用、自主扩展的RAG系统。

Easy-RAG是一个检索增强生成(RAG)系统，它不仅适合学习者了解和掌握RAG技术，同时也便于开发者使用和进行自主扩展。该系统通过集成知识图谱提取解析工具、rerank重新排序机制以及faiss向量数据库等技术，提高了检索效率和生成质量。

基于知识图谱的检索增强生成框架,赋能大型语言模型处理知识密集型任务

KG-RAG是一个任务无关的框架,它结合知识图谱的显性知识和大型语言模型的隐性知识。这里,我们利用一个巨大的生物医学知识图谱SPOKE作为生物医学上下文的提供者。KG-RAG的主要特征是它从SPOKE知识图谱中提取“与提示相关的上下文”,这被定义为响应用户提示所需的最小上下文。

利用知识图谱和文档网络增强语言模型性能

Knowledge Graph RAG 是一个开源的Python库，它通过创建知识图谱和文档网络来增强大型语言模型（LLM）的性能。这个库允许用户通过图谱结构来搜索和关联信息，从而为语言模型提供更丰富的上下文。它主要应用于自然语言处理领域，尤其是在文档检索和信息抽取任务中。

基于大模型 RAG 知识库的知识图谱问答系统，支持多种大模型适配和本地部署。

语析Yuxi-Know 是一个基于大模型 RAG 知识库的知识图谱问答系统，采用 Llamaindex + VueJS + Flask + Neo4j 构建。它支持 OpenAI、国内主流大模型平台的模型调用以及本地 vllm 部署，能够实现知识库问答、知识图谱检索和联网检索等功能。该系统的主要优点是灵活适配多种模型、支持多种知识库格式以及强大的知识图谱集成能力。它适用于需要高效知识管理和智能问答的企业和研究机构，具有较高的技术先进性和实用性。

用于多模态上下文中的检索增强生成的基准测试代码库。

M2RAG是一个用于多模态上下文中的检索增强生成的基准测试代码库。它通过多模态检索文档来回答问题，评估多模态大语言模型（MLLMs）在利用多模态上下文知识方面的能力。该模型在图像描述、多模态问答、事实验证和图像重排等任务上进行了评估，旨在提升模型在多模态上下文学习中的有效性。M2RAG为研究人员提供了一个标准化的测试平台，有助于推动多模态语言模型的发展。

提供检索增强生成的API,提高检索能力,针对无法回答的用户问题和混乱的用户输入

Superpowered.ai通过自主研发的技术组件SuperStack,解决了标准RAG流水线在实际使用中出现的许多失败情况。SuperStack包含AutoQuery、相关段落提取和自动上下文注入等技术,可以转换易混淆或表述不当的用户输入为良构的搜索查询,动态检索相关信息,确保语言模型充分理解每段文本的含义。通过Chat端点快速部署会话式AI应用;提供UI组件加速应用开发。可广泛应用于客户支持助理、员工生产力工具、教育应用、法律援助工具等场景。

SkyPilot RAG 是一个基于 SkyPilot 的检索增强生成系统，用于处理大规模法律文档搜索和分析。

SkyPilot RAG 是一个结合了向量搜索和大型语言模型的检索增强生成系统。它通过语义搜索和智能问答，为法律专业人士提供高效的信息检索和分析工具。该系统基于 SkyPilot 构建，能够管理基础设施并高效利用计算资源，支持在任何云环境或 Kubernetes 上部署。其主要优点包括高准确性、上下文感知能力和可追溯性，能够显著提高法律文档处理的效率和可靠性。

革命性的检索增强生成系统技术集合。

RAG_Techniques 是一个专注于检索增强生成(Retrieval-Augmented Generation, RAG)系统的技术集合，旨在提升系统的准确性、效率和上下文丰富性。它提供了一个前沿技术的中心，通过社区贡献和协作环境，推动RAG技术的发展和创新。

多模态知识图谱补全工具

MyGO是一个用于多模态知识图谱补全的工具，它通过将离散模态信息作为细粒度的标记来处理，以提高补全的准确性。MyGO利用transformers库对文本标记进行嵌入，进而在多模态数据集上进行训练和评估。它支持自定义数据集，并且提供了训练脚本以复现实验结果。

基于知识图谱的智能问答系统。

Fact Finder 是一个开源的智能问答系统，它使用语言模型和知识图谱来生成自然语言回答和提供证据。该系统通过调用语言模型生成Cypher查询，查询知识图谱以获取答案，并使用另一个语言模型调用生成最终的自然语言回答。Fact Finder 的主要优点包括能够提供透明性，允许用户查看查询和证据，以及通过可视化子图提供直观的证据。

PIKE-RAG 是一种专注于领域知识和推理增强生成的模型。

PIKE-RAG 是微软开发的一种领域知识和推理增强生成模型，旨在通过知识提取、存储和推理逻辑增强大型语言模型（LLM）的能力。该模型通过多模块设计，能够处理复杂的多跳问答任务，并在工业制造、矿业和制药等领域显著提升了问答准确性。PIKE-RAG 的主要优点包括高效的知识提取能力、强大的多源信息整合能力和多步推理能力，使其在需要深度领域知识和复杂逻辑推理的场景中表现出色。

AI驱动的技能平台，自动生成交互式课程和全球知识图谱

NOLEJ是一个由AI引擎驱动的去中心化技能平台，可以自动生成交互式课程和全球知识图谱。它提供一系列功能，帮助个人教育者、学校/机构和企业创建、管理和共享教育内容。NOLEJ的主要优势在于自动化课程生成、智能推荐和全球知识图谱的构建。定价方面，请访问官方网站获取详细信息。NOLEJ适用于个人学习、教育机构和企业培训等场景。

一个简单的检索增强生成框架，使小型模型通过异构图索引和轻量级拓扑增强检索实现良好的RAG性能。

MiniRAG是一个针对小型语言模型设计的检索增强生成系统，旨在简化RAG流程并提高效率。它通过语义感知的异构图索引机制和轻量级的拓扑增强检索方法，解决了小型模型在传统RAG框架中性能受限的问题。该模型在资源受限的场景下具有显著优势，如在移动设备或边缘计算环境中。MiniRAG的开源特性也使其易于被开发者社区接受和改进。

基于知识增强的生成框架，用于构建专业的知识服务

KAG（Knowledge Augmented Generation）是一个专业的领域知识服务框架，旨在通过知识图谱和向量检索的优势，双向增强大型语言模型和知识图谱，解决RAG（Retrieval Augmentation Generation）技术在向量相似性与知识推理相关性之间的大差距、对知识逻辑不敏感等问题。KAG在多跳问答任务上的表现显著优于NaiveRAG、HippoRAG等方法，例如在hotpotQA上的F1分数相对提高了19.6%，在2wiki上提高了33.5%。KAG已成功应用于蚂蚁集团的两个专业知识问答任务中，包括政务问答和健康问答，与RAG方法相比，专业性得到了显著提升。

用于角色扮演、检索增强生成和功能调用的小型语言模型

Nemotron-Mini-4B-Instruct 是 NVIDIA 开发的一款小型语言模型，通过蒸馏、剪枝和量化优化，以提高速度和便于在设备上部署。它是从 Nemotron-4 15B 通过 NVIDIA 的大型语言模型压缩技术剪枝和蒸馏得到的 nvidia/Minitron-4B-Base 的微调版本。此指令模型针对角色扮演、检索增强问答（RAG QA）和功能调用进行了优化，支持 4096 个令牌的上下文长度，已准备好用于商业用途。

由知识图谱引擎驱动的创新Agent框架

muAgent是一个创新的Agent框架，由知识图谱引擎驱动，支持多Agent编排和协同技术。它利用LLM+EKG（Eventic Knowledge Graph 行业知识承载）技术，结合FunctionCall、CodeInterpreter等，通过画布式拖拽和轻文字编写，实现复杂SOP流程的自动化。muAgent兼容市面上各类Agent框架，具备复杂推理、在线协同、人工交互、知识即用等核心功能。该框架已在蚂蚁集团多个复杂DevOps场景中得到验证。

将知识图谱与Obsidian笔记整合,实现问答、链接预测等功能

ODIN是一个Obsidian的插件,它可以将用户的笔记知识图谱化,从而实现智能问答、链接预测等功能,帮助用户管理知识点,建立全面的知识体系。ODIN的关键功能包括:基于LLM的智能问答,可以直观查询笔记中的知识点;全局笔记网络可视化,以知识图的形式呈现笔记内容;基于语义的链接预测,自动在笔记间建立关联;基于语义的节点提示,发现笔记中的关键知识点等。ODIN可以大幅提升Obsidian在知识管理方面的能力,是作者构建个人知识管理系统的不二之选。

将文本转换为知识图谱的Python工具。

knowledge_graph_maker是一个Python库，能够根据给定的本体论将任意文本转换为知识图谱。知识图谱是一种语义网络，代表现实世界实体之间的网络和它们之间的关系。该库通过图算法和中心性计算，帮助用户深入分析文本内容，实现概念之间的连接性分析，以及通过图检索增强生成（GRAG）技术，提升与文本的交流深度。

构建知识图谱的Neo4j应用

llm-graph-builder是一个利用大型语言模型（如OpenAI、Gemini等）从非结构化数据（PDF、DOCS、TXT、YouTube视频、网页等）中提取节点、关系及其属性，并使用Langchain框架创建结构化知识图谱的应用程序。它支持从本地机器、GCS或S3存储桶或网络资源上传文件，选择LLM模型并生成知识图谱。

利用大型语言模型增量构建知识图谱

iText2KG是一个Python包，旨在利用大型语言模型从文本文档中提取实体和关系，增量构建一致的知识图谱。它具备零样本能力，允许在没有特定训练的情况下跨不同领域进行知识提取。该包包括文档蒸馏、实体提取和关系提取模块，确保实体和关系得到解决和唯一性。它通过Neo4j提供知识图谱的可视化表示，支持交互式探索和分析结构化数据。

智能语义，知识图谱，AI+内容创作

智搜AI是一款基于人工智能技术的内容创作工具，通过智能语义和知识图谱技术，帮助用户快速生成高质量的文章、PPT等内容，提高生产力。同时，智搜AI还提供多种解决方案，包括AI+媒体、AI+金融等，满足不同领域的需求。

开源知识图谱工作室，助力构建动态图谱AI工作流

WhyHow Knowledge Graph Studio是一个开源平台，旨在简化创建和管理RAG-native知识图谱的过程。该平台提供基于规则的实体解析、模块化图构建、灵活的数据摄取以及API优先设计，并支持SDK。它基于NoSQL数据库构建，提供灵活、可扩展的存储层，使复杂关系的数据检索和遍历变得容易。该平台适用于处理结构化和非结构化数据，构建探索性图谱或高度模式化约束图谱，旨在实现规模化和灵活性，适用于实验和大规模使用。

开源知识图谱构建模型，成本低廉

Triplex是一个创新的开源模型，能够将大量非结构化数据转换为结构化数据，其在知识图谱构建方面的表现超越了gpt-4o，且成本仅为其十分之一。它通过高效的将非结构化文本转换为知识图谱的构建基础——语义三元组，大幅降低了知识图谱的生成成本。

VideoRAG 是一个用于处理极长上下文视频的检索增强型生成框架。

VideoRAG 是一种创新的检索增强型生成框架，专门用于理解和处理极长上下文视频。它通过结合图驱动的文本知识锚定和层次化多模态上下文编码，实现了对无限制长度视频的理解。该框架能够动态构建知识图谱，保持多视频上下文的语义连贯性，并通过自适应多模态融合机制优化检索效率。VideoRAG 的主要优点包括高效的极长上下文视频处理能力、结构化的视频知识索引以及多模态检索能力，使其能够为复杂查询提供全面的回答。该框架在长视频理解领域具有重要的技术价值和应用前景。

一个为RAG（检索增强生成）AI助手设计的React组件，可快速集成到Next.js应用中。

该产品是一个React组件，专为RAG（检索增强生成）AI助手设计。它结合了Upstash Vector进行相似性搜索、Together AI作为LLM（大型语言模型）以及Vercel AI SDK用于流式响应。这种组件化设计使得开发者可以快速将RAG能力集成到Next.js应用中，极大地简化了开发流程，同时提供了高度的可定制性。其主要优点包括响应式设计、支持流式响应、持久化聊天历史以及支持暗黑/浅色模式等。该组件主要面向需要在Web应用中集成智能聊天功能的开发者，尤其是那些使用Next.js框架的团队。它通过简化集成过程，降低了开发成本，同时提供了强大的功能。

ViDoRAG 是一个结合视觉文档检索增强生成的动态迭代推理代理框架。

ViDoRAG 是阿里巴巴自然语言处理团队开发的一种新型多模态检索增强生成框架，专为处理视觉丰富文档的复杂推理任务设计。该框架通过动态迭代推理代理和高斯混合模型（GMM）驱动的多模态检索策略，显著提高了生成模型的鲁棒性和准确性。ViDoRAG 的主要优点包括高效处理视觉和文本信息、支持多跳推理以及可扩展性强。该框架适用于需要从大规模文档中检索和生成信息的场景，例如智能问答、文档分析和内容创作。其开源特性和灵活的模块化设计使其成为研究人员和开发者在多模态生成领域的重要工具。

将课程大纲转化为交互式知识图谱，提高学习效率，帮助准备考试。

SophistAI是一个AI驱动的学习助手，将混乱的学习材料转化为结构化的交互式知识图谱，帮助用户更高效地学习和备考。它提供了智能进度追踪、深度挖掘子主题、自动完成进度等功能。

一个实验性的UI，用于将文本转换为知识图谱。

prettygraph是一个基于Python的Web应用程序，由@yoheinakajima开发，展示了一种新的UI模式，用于将文本输入动态地转换为知识图谱。该项目是一个快速原型，旨在提供一种简单的UI想法，通过实时更新UI中的文本高亮来生成知识图谱。

高性能知识图谱数据库与推理引擎

RDFox 是由牛津大学计算机科学系的三位教授基于数十年知识表示与推理（KRR）研究开发的规则驱动人工智能技术。其独特之处在于：1. 强大的AI推理能力：RDFox 能够像人类一样从数据中创建知识，基于事实进行推理，确保结果的准确性和可解释性。2. 高性能：作为唯一在内存中运行的知识图谱，RDFox 在基准测试中的表现远超其他图技术，能够处理数十亿三元组的复杂数据存储。3. 可扩展部署：RDFox 具有极高的效率和优化的占用空间，可以嵌入边缘和移动设备，作为 AI 应用的大脑独立运行。4. 企业级特性：包括高性能、高可用性、访问控制、可解释性、人类般的推理能力、数据导入和 API 支持等。5. 增量推理：RDFox 的推理功能在数据添加或删除时即时更新，不影响性能，无需重新加载。