Graph_RAG est un framework basé sur Python conçu pour construire et interroger des graphes de connaissances pour la génération augmentée par récupération (RAG). Il supporte l'ingestion de documents non structurés, l'extraction automatique d'entités et de relations à l'aide de LLMs ou d'outils NLP, et le stockage dans des bases de données graphiques telles que Neo4j. Avec Graph_RAG, les développeurs peuvent construire des graphes de connaissances connectés, exécuter des requêtes sémantiques pour identifier des nœuds et des chemins pertinents, et alimenter les prompts LLM avec le contexte récupéré. Le framework propose des pipelines modulaires, des composants configurables et des exemples d'intégration pour faciliter les applications RAG de bout en bout, améliorant la précision des réponses et l'interprétabilité via une représentation structurée des connaissances.

Chat2Graph s'intègre à la base de données graphe TuGraph pour fournir une interface conversationnelle pour l'exploration des données. Via des connecteurs préfabriqués et une couche d'ingénierie de prompts, il traduit les intentions de l'utilisateur en requêtes graphiques valides, gère la découverte de schéma, suggère des optimisations et exécute les requêtes en temps réel. Les résultats peuvent être affichés sous forme de tableaux, JSON ou visualisations en réseau via une interface web. Les développeurs peuvent personnaliser les modèles de prompts, intégrer des plugins personnalisés ou intégrer Chat2Graph dans des applications Python. Idéal pour le prototypage rapide d'applications basées sur des graphes, il permet aux experts du domaine d'analyser les relations dans les réseaux sociaux, les systèmes de recommandation et les graphiques de connaissances sans écrire manuellement la syntaxe Cypher.