GraphRAG + DeepSearch 智能问答系统：让 AI 真正理解你的知识

当你向企业知识库助手提问"过去三年我们的毛利率趋势是什么"，传统 RAG 很可能给出一段语焉不详的摘录，而 GraphRAG + DeepSearch 能沿着知识图谱一步步追溯到每一笔财务报表中的原始数据——这就是这个开源项目要解决的核心问题。

一、项目背景：为什么 RAG 需要图来增强

大型语言模型（LLM）的知识是死的、静态的，而企业的知识是活的、不断增长的。检索增强生成（RAG）通过从外部知识库中检索相关内容来弥补这一短板，成为企业私有知识问答的主流方案。然而，传统 RAG 在处理跨文档关联查询时存在明显短板——它只能找到语义相似的文本片段，却无法理解这些片段之间的逻辑关系。

GraphRAG 正是为解决这一痛点而生的技术方案。2023年，NebulaGraph 团队在 LlamaIndex 社区首次系统性地提出并开源了 GraphRAG 的实现思路：将非结构化文档中的知识抽取为实体-关系三元组，构建可推理的知识图谱，再结合社区检测算法发现跨文档的语义关联。这一方案在复杂问答任务上的表现远超传统 RAG。

本项目 graph-rag-agent 的作者投入了大量精力，将 GraphRAG 与 DeepSearch 深度融合，打造了一套从知识入库到问答推理的完整 Agent 框架。项目已被 DeepWiki 官方收录，在中文 AI 社区获得了不少关注，目前 GitHub Stars 超过 2200，Forks 超过 300，Issues 34 个。

二、技术架构：七种 Agent 模式的灵活编排

项目采用 LangChain + LangGraph 作为 Agent 编排框架，以 Neo4j 作为知识图谱存储后端，支持以下 7 种 Agent 模式：

Agent 模式	说明
Naive RAG	纯向量检索，最基础的对比基准
Graph Agent	基于图谱的语义检索
Hybrid Agent	向量 + 图谱混合检索
Deep Research Agent	深度研究模式，多轮探索与推理
Chain of Exploration	探索链，引导 AI 按步骤思考
Fusion GraphRAG Agent	融合模式，结合 IDP 技术
LightRAG Agent	轻量级图谱方案

各 Agent 模式通过 graphrag_agent/ 目录下的模块化代码实现，核心依赖包括 LangChain、LangGraph、LangChain-Neo4j、LangChain-OpenAI 等。其中 LangGraph 提供了状态机式的 Agent 编排能力，支持条件分支与循环，使得复杂的多轮对话推理流程得以可视化地组织。

图1：GraphRAG + DeepSearch 整体工作流（来源：项目 README）

三、知识图谱构建：从文档到可推理图谱的全流程

知识图谱的构建是整个系统的核心环节。项目实现了从原始文档到 Neo4j 图数据库的自动化流水线，主要包含以下步骤：

1. 文档解析：支持 PDF、Word、Markdown、TXT 等多种格式，通过 textract + PyPDF2 提取文本内容。

2. 实体关系抽取：利用大模型（默认 OpenAI GPT-4o）进行 zero-shot 三元组抽取，将自然语言文本转化为 <实体A, 关系, 实体B> 的结构化表示。HanLP 作为中文 NLP 辅助工具，提升中文实体识别的准确性。

3. 图谱存储：抽取结果存入 Neo4j 图数据库。docker-compose.yaml 中预置了 Neo4j 5.22.0 镜像，并安装了 APOC 和 GDS（Graph Data Science）插件，分别用于图谱操作过程和图分析算法支持。

4. 增量更新：项目支持对已入库知识进行增量更新，自动去重并合并新增三元组，适合持续增长的企业知识库场景。

整个流程可通过 Streamlit 可视化界面操作，也支持纯 API 调用。README 中提供了从安装到运行的全流程指南，文档较为完整。

四、DeepSearch 推理：让 AI 在图谱上深度思考

DeepSearch 是本项目的另一核心创新点。传统的 RAG 在检索到相关内容后直接送入 LLM 生成答案，整个过程是一次性的、无追溯的。DeepSearch 则引入了多轮探索-反思-验证的机制：

• AI Agent 在图谱上按关系边进行探索，每一步都记录思考轨迹
• 若发现推理链路存在信息缺口，主动触发补充检索
• 最终综合多条推理路径，给出有据可查的答案

这一机制与 DeepSeek R1 的 Chain-of-Thought 思路一脉相承，但针对私有知识库的图谱结构做了专门优化。项目提供的 Chain of Exploration 模式完整展示了每一步的思考过程，用户可以清晰看到 AI 是如何沿着知识图谱一步步推理的——这不仅提升了答案质量，也大大增强了 AI 输出的可解释性。

五、评估框架：如何量化哪个 RAG 更好

RAG 系统好不好，往往靠"感觉"——这对于严谨的系统建设是远远不够的。本项目内置了一套针对 GraphRAG 的评估框架，覆盖 20+ 评估指标，包括：

• 忠实度（Faithfulness）：生成的答案是否与检索到的内容一致
• 答案相关性（Answer Relevance）：答案是否真正回答了用户问题
• 上下文召回率（Context Recall）：检索到的内容是否覆盖了回答所需的所有信息
• 图谱覆盖率（Graph Coverage）：知识图谱对原始文档的知识覆盖程度

评估框架基于 LangSmith 构建，支持自定义数据集和批量评测，方便对比不同 Agent 模式在不同场景下的表现。

六、部署体验：docker-compose 一键启动

项目提供了 docker-compose.yaml，可一键启动 Neo4j 数据库服务：

neo4j:
  image: neo4j:5.22.0
  ports:
    - "7474:7474"  # 浏览器管理界面
    - "7687:7687"  # Bolt 协议端口
  environment:
    NEO4J_AUTH: "neo4j/12345678"
    NEO4J_PLUGINS: '[ "apoc", "graph-data-science" ]'

后端基于 FastAPI + Uvicorn，提供 RESTful API 接口；前端基于 Streamlit，提供交互式问答界面。部署步骤：

1. 克隆仓库后执行 docker-compose up -d 启动 Neo4j
2. 配置 .env 文件（参考 .env.example），填入 OpenAI API Key
3. pip install -r requirements.txt 安装 Python 依赖
4. streamlit run frontend/main.py 或 python server/main.py 启动服务

需要注意的是，本项目依赖 OpenAI API（GPT-4o），不支持纯离线部署。如果需要完全私有化，需替换 langchain_openai 为本地部署的 LLM（如 Ollama + LlamaIndex）。另外，HanLP 2.1.1 的首次运行会下载模型权重，需要保证网络畅通。

七、争议与局限

尽管项目功能丰富，仍有几处值得关注的局限性：

1. 实体抽取质量依赖 LLM 能力：当前方案中，三元组抽取完全依赖 OpenAI API。虽然 GPT-4o 的抽取质量整体不错，但对于专业领域（医疗、法律、金融）的术语，仍可能出现实体边界模糊或关系误判的问题。作者已在 issues 中提到考虑引入本地模型作为备选。

2. 图数据库运维复杂度：Neo4j 虽然功能强大，但相比向量数据库（Milvus、Qdrant）运维门槛更高。项目没有提供 Neo4j 的备份、监控方案，企业级使用时需要额外关注数据安全。

3. 大规模文档处理性能：当前方案在文档数量超过千篇时，Neo4j 的图查询延迟会明显上升。项目 roadmap 中提到了分片和增量索引的计划，但尚未完全实现。

八、行业意义与未来展望

GraphRAG 正在成为企业知识管理的新范式。本项目将 GraphRAG 与 DeepSearch 融合，并提供了完整的 Agent 编排框架，为中文 AI 开发者提供了一个可参考、可落地的技术方案。随着 Agentic RAG 概念的持续火热，这类结合知识图谱与多 Agent 协作的项目将在私域知识库、智能客服、决策支持系统等场景发挥越来越重要的作用。

如果你是 AI 开发者，推荐从项目提供的示例数据集开始，依次体验 7 种 Agent 模式，直观感受不同方案在复杂问答上的效果差异。如果你是企业用户，建议先评估 Neo4j 的运维能力，再决定是否将本方案引入生产环境。