Graph_RAG es un marco basado en Python diseñado para construir y consultar grafos de conocimiento para generación aumentada por recuperación (RAG). Soporta la ingestión de documentos no estructurados, la extracción automática de entidades y relaciones usando LLMs o herramientas NLP, y el almacenamiento en bases de datos gráficas como Neo4j. Con Graph_RAG, los desarrolladores pueden construir grafos de conocimiento conectados, ejecutar consultas semánticas para identificar nodos y caminos relevantes, y alimentar los contextos recuperados en prompts de LLM. El marco proporciona pipelines modulares, componentes configurables y ejemplos de integración para facilitar aplicaciones de extremo a extremo RAG, mejorando la precisión de respuestas e interpretabilidad mediante la representación estructurada del conocimiento.

Chat2Graph se integra con la base de datos de gráficos TuGraph para ofrecer una interfaz conversacional para la exploración de datos gráficos. A través de conectores predefinidos y una capa de ingeniería de prompts, traduce intenciones del usuario en consultas gráficas válidas, gestiona descubrimiento de esquemas, sugiere optimizaciones y ejecuta consultas en tiempo real. Los resultados pueden mostrarse como tablas, JSON o visualizaciones en red mediante una interfaz web. Los desarrolladores pueden personalizar plantillas de prompts, integrar plugins personalizados o incrustar Chat2Graph en aplicaciones Python. Es ideal para prototipado rápido de aplicaciones basadas en gráficos y permite a expertos en el dominio analizar relaciones en redes sociales, sistemas de recomendación y gráficos de conocimiento sin escribir código Cypher a mano.