Graph_RAG — это фреймворк на базе Python, предназначенный для построения и выполнения запросов к графам знаний для поиска с усилением генерации (RAG). Он поддерживает импорт неструктурированных документов, автоматическое извлечение сущностей и отношений с помощью LLM или инструментов NLP, а также хранение данных в графовых базах, таких как Neo4j. С помощью Graph_RAG разработчики могут создавать связанные графы знаний, выполнять семантические запросы к графу для определения релевантных узлов и путей и подавать полученный контекст в подсказки LLM. Фреймворк предоставляет модульные конвейеры, настраиваемые компоненты и примеры интеграции для облегчения разработки полноценных приложений RAG, повышая точность ответов и их интерпретируемость за счет структурированного представления знаний.

Chat2Graph интегрируется с графовой базой данных TuGraph для предоставления интерфейса для диалогового исследования графовых данных. Через преднастроенные коннекторы и слой инженерии подсказок он переводит намерения пользователя в допустимые графовые запросы, управляет обнаружением схемы, предлагает оптимизации и выполняет запросы в реальном времени. Результаты могут отображаться в виде таблиц, JSON или сетевых визуализаций через веб-интерфейс. Разработчики могут настраивать шаблоны подсказок, интегрировать собственные плагины или встраивать Chat2Graph в Python-приложения. Идеально подходит для быстрого прототипирования приложений на базе графов, позволяя экспертам анализировать связи в социальных сетях, системах рекомендаций и графах знаний без ручного написания синтаксиса Cypher.