产品库

利用GPT-3模型将非结构化文本数据转换为结构化知识图谱表示

KnowledgeGraph GPT项目旨在利用OpenAI的GPT-3模型，将非结构化文本数据转换为结构化知识图谱表示。该产品具有强大的功能和优势，定价合理，定位于满足用户对文本数据结构化处理的需求。

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。

AI Mode 是谷歌搜索中的一项实验性生成式 AI 功能，可帮助用户解决复杂问题。

AI Mode 是谷歌搜索中的一项实验性功能，基于 Gemini 2.0 模型开发。它通过高级推理和多模态能力，为用户提供更深入、更全面的搜索结果。该功能旨在帮助用户更高效地处理复杂的多部分问题，并通过实时数据和知识图谱提供高质量的响应。AI Mode 的推出体现了谷歌在提升搜索体验方面的持续创新，同时也展示了生成式 AI 在信息检索中的应用潜力。

Graphiti 是一个用于构建和查询动态时序知识图谱的工具，支持多种数据源和复杂关系的演变。

Graphiti 是一个专注于构建动态时序知识图谱的技术模型，旨在处理不断变化的信息和复杂的关系演变。它通过结合语义搜索和图算法，支持从非结构化文本和结构化 JSON 数据中提取知识，并能够进行时间点查询。Graphiti 是 Zep 内存层的核心技术，支持长期记忆和基于状态的推理，适用于需要动态数据处理和复杂任务自动化的应用场景，如销售、客户服务、健康、金融等领域。

从任何文本中提取知识图谱的人工智能工具。

kg-gen 是一个基于人工智能的工具，能够从普通文本中提取知识图谱。它支持处理小到单句话、大到长篇文档的文本输入，并且可以处理对话格式的消息。该工具利用先进的语言模型和结构化输出技术，能够帮助用户快速构建知识图谱，适用于自然语言处理、知识管理以及模型训练等领域。kg-gen 提供了灵活的接口和多种功能，旨在简化知识图谱的生成过程，提高效率。

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。

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。

Data Commons 是一个由 Google 发起的公共数据整合与分析平台，致力于简化全球公共数据的探索过程。

Data Commons 是一个强大的公共数据平台，旨在通过整合全球公共数据，提供统一的知识图谱，帮助用户轻松探索和分析数据。它由 Google 发起，支持多种数据源的整合，并提供丰富的可视化工具和 API 接口，方便用户进行数据探索和研究。Data Commons 的主要优点是数据的标准化和统一化，用户可以通过其强大的工具快速获取和分析数据，无需复杂的预处理。此外，它还支持社区贡献，用户可以分享自己的分析和见解，共同推动数据科学的发展。Data Commons 适用于研究人员、数据分析师、政策制定者以及任何需要公共数据支持决策的群体，其免费的访问模式降低了数据使用的门槛，促进了数据的广泛传播和应用。

为代码库定制的AI代理，帮助开发者进行调试、测试和系统设计等任务。

Potpie是一个面向开发者的技术平台，通过构建基于代码库的AI代理来帮助开发者进行调试、测试、系统设计、代码审查和文档生成等任务。该产品利用强大的知识图谱技术，使AI代理能够深入理解代码库的上下文，从而提供高精度的工程任务执行能力。Potpie的主要优点在于其高度定制化和易于集成的特点，能够显著提高开发效率和代码质量。产品提供免费试用，并且有开源版本可供选择。

Agentic Graph Language Assistant

GraphAgent是一个自动化代理流水线，旨在处理显式的图形依赖和隐式的图形增强语义相互依赖，以适应实际数据场景中的预测任务（例如节点分类）和生成任务（例如文本生成）。它由三个关键组件构成：构建知识图谱以反映复杂语义依赖的图形生成代理；解释不同用户查询并制定相应任务的计划代理；以及高效执行计划任务并自动化工具匹配和调用的执行代理。GraphAgent通过集成语言模型和图形语言模型来揭示复杂的关系信息和数据语义依赖。

知识增强型故事角色定制的统一世界模型

StoryWeaver是一个为知识增强型故事角色定制而设计的统一世界模型，旨在实现单一和多角色故事可视化。该模型基于AAAI 2025论文，能够通过统一的框架处理故事中角色的定制和可视化，这对于自然语言处理和人工智能领域具有重要意义。StoryWeaver的主要优点包括其能够处理复杂故事情境的能力，以及能够持续更新和扩展其功能。产品背景信息显示，该模型将不断更新arXiv论文，并添加更多实验结果。

深度理解代码库的人工智能助手

Depth AI 是一款由工程师构建的人工智能产品，它通过构建代码库的知识图谱，能够回答深度技术问题，并支持在不同工作场景中部署定制化的AI助手。产品背景信息显示，Depth AI 旨在帮助工程师和开发团队更高效地理解和使用代码库，通过集成到现有的工具和工作流程中，如Slack、GitHub Copilot、Jira等，提高团队的生产力。产品的主要优点包括深度技术问题解答、全面的代码图谱理解、抽象推理能力以及潜在空间交互等。Depth AI 提供企业级的安全和合规特性，确保数据安全，并且不会使用客户数据进行模型训练。

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。

从文本中提取知识图谱三元组的管道工具

Graphusion是一个用于从文本中提取知识图谱三元组的管道工具。它通过一系列步骤，包括概念提取、候选三元组提取和三元组融合，来构建知识图谱。这个工具的重要性在于它能够帮助研究人员和开发者自动化地从大量文本数据中提取结构化信息，进而支持知识管理和数据科学项目。Graphusion的主要优点包括其自动化处理能力、对不同数据集的适应性以及灵活的配置选项。产品背景信息显示，Graphusion是由tdurieux开发的，可以在GitHub上找到相关代码和文档。目前，该工具是免费的，但具体的定价策略可能会根据开发者的更新和维护情况而变化。

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。

开源工具，简化从非结构化文档中提取和探索结构化数据。

Knowledge Table 是一个开源工具包，旨在简化从非结构化文档中提取和探索结构化数据的过程。它通过自然语言查询界面，使用户能够创建结构化的知识表示，如表格和图表。该工具包具有可定制的提取规则、精细调整的格式化选项，并通过UI显示的数据溯源，适应多种用例。它的目标是为业务用户提供熟悉的电子表格界面，同时为开发者提供灵活且高度可配置的后端，确保与现有RAG工作流程的无缝集成。

基于图的科学发现与知识提取

GraphReasoning是一个利用生成式人工智能技术将1000篇科学论文转化为知识图谱的项目。通过结构化分析，计算节点度、识别社区和连接性，评估聚类系数和关键节点的介数中心性，揭示了迷人的知识架构。该图谱具有无标度性质，高度互联，可用于图推理，利用传递性和同构性质揭示前所未有的跨学科关系，用于回答问题、识别知识空白、提出前所未有的材料设计和预测材料行为。

利用本地Llama模型构建知识图谱，探索相关问题和答案。

Local Knowledge Graph是一个基于Flask的Web应用程序，它使用本地Llama语言模型来处理用户查询，生成逐步推理，并以交互式知识图谱的形式可视化思考过程。它还能根据语义相似性找到并显示相关问题和答案。该应用程序的主要优点包括实时显示推理过程、动态知识图谱可视化、计算并显示最强推理路径、以及基于语义相似性的相关问答。

自动化科学研究的多智能体图推理系统。

SciAgentsDiscovery 是一个利用多智能体系统和大规模本体知识图谱，自动化科学研究的系统。它通过整合大型语言模型、数据检索工具和多智能体学习系统，能够自主生成和完善研究假设，揭示潜在的机制、设计原则和意外材料属性。该系统在生物启发材料领域展示了其跨学科关系的发现能力，超越了传统人类驱动的研究方法。

利用AI自动化开发流程，提升开发效率。

Fine AI Coding Workflows是一个AI驱动的软件开发自动化平台，它通过定制化的AI工作流程来加速开发周期。该平台基于Atlas知识图谱，整合了团队使用的工具，为AI代理提供丰富的上下文信息，以实现更精确的任务执行。它支持与多种开发工具集成，比如OpenAI、Anthropic、Sentry、GitHub等，旨在提高开发效率、代码质量和问题解决速度。

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。

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。

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。

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。

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。

开源记忆层，为自主智能体提供人类式记忆功能

Memary是一个开源的记忆层，专为自主智能体设计，通过模仿人类记忆的方式，提升智能体的推理和学习能力。它使用Neo4j图数据库存储知识，并结合了Llama Index和Perplexity模型来增强知识图谱的查询能力。Memary的主要优点包括自动生成记忆、记忆模块、系统改进和回溯记忆等功能，旨在以最小的开发者实现与现有智能体集成，并通过仪表盘提供记忆分析和系统改进的可视化数据。

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。

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。

使用Ollama和Gradio UI的GraphRAG本地模型

GraphRAG-Ollama-UI是一个基于微软GraphRAG的本地模型适配版本，支持使用Ollama进行本地模型支持。它通过Gradio UI提供了一个交互式用户界面，使得用户可以更方便地管理数据、运行查询和可视化结果。该模型的主要优点包括本地模型支持、成本效益高、交互式用户界面、实时图可视化、文件管理、设置管理、输出探索和日志记录。

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。