Graph_RAG é uma estrutura baseada em Python projetada para construir e consultar gráficos de conhecimento para geração aumentada por recuperação (RAG). Ela suporta ingestão de documentos não estruturados, extração automática de entidades e relações usando LLMs ou ferramentas de NLP, e armazenamento em bancos de dados gráficos como Neo4j. Com o Graph_RAG, os desenvolvedores podem construir gráficos de conhecimento conectados, executar consultas semânticas para identificar nós e caminhos relevantes, e alimentarem o contexto recuperado nos prompts do LLM. A estrutura oferece pipelines modulares, componentes configuráveis e exemplos de integração para facilitar aplicações de ponta a ponta de RAG, melhorando a precisão e interpretabilidade das respostas por meio de representação estruturada do conhecimento.

Chat2Graph integra-se ao banco de dados de gráficos TuGraph para oferecer uma interface de conversação para exploração de dados gráficos. Por meio de conectores pré-construídos e uma camada de engenharia de prompts, traduz intenções do usuário em consultas de gráficos válidas, trata descoberta de esquema, sugere otimizações e executa consultas em tempo real. Os resultados podem ser exibidos como tabelas, JSON ou visualizações de rede via interface web. Desenvolvedores podem personalizar modelos de prompts, integrar plugins personalizados ou incorporar o Chat2Graph em aplicações Python. É ideal para prototipagem rápida de aplicações alimentadas por gráficos e permite que especialistas analisam relacionamentos em redes sociais, sistemas de recomendação e grafos de conhecimento sem escrever sintaxe Cypher manualmente.