chat2graph
图原生智能体系统，通过多智能体协作实现自然语言与图数据库对话，降低用图门槛
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
图原生智能体系统，通过多智能体协作实现自然语言与图数据库对话，降低用图门槛
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
想象一个场景：你手里有一张复杂的社交网络图谱，节点是用户账号，边缘是好友关系、转账记录、群聊互动——数据量级在百万级以上。你想找出一笔异常交易背后的人员关联链，传统做法是写 Cypher 查询语句，把「一跳、两跳邻居」「最短路径」「共同好友」这些概念翻译成精确的图数据库语法。这对 DBA 来说是基本功，但对业务分析师、产品经理甚至数据科学家来说，就是一道高高的技术门槛。
Chat2Graph 要解决的就是这道门槛。它是蚂蚁集团 TuGraph 团队开源的「图原生智能体系统」（Graph Native Agentic System），核心目标是：让任何人都能用自然语言与图数据库对话，背后的技术支撑，则是一套完整的混合多智能体架构。
这个项目的诞生有其清晰的行业脉络。业界有句不成文的说法：「23年卷 SFT，24年卷 RAG，25年卷智能体」。GraphRAG 技术（用知识图谱替代向量作为 RAG 的知识库）在 2024 年已经成熟，而 2025 年的方向是将智能体（Agent）引入图数据处理链路。Chat2Graph 正是在这个节点上诞生的——它不只是一个聊天界面，更是一套将智能体能力全面渗透到图数据库使用全链路的开源系统。
Chat2Graph 采用了一种叫做 One-Active-Many-Passive 的混合多智能体架构，这是整个系统最核心的设计哲学。
Leader（领导智能体） 是整个系统的「调度中枢」。当用户用自然语言发起一个任务时，Leader 负责对这个任务做分解（Job Decomposition），它会调用 LLM 分析用户意图，把一个模糊的需求拆解成若干个可执行的子任务（Sub-Job），每个子任务交给对应的 Expert（专家智能体）执行。在分解过程中，Leader 使用「面向智能体链（Chain of Agents，CoA）」的方式进行图规划——它不是线性地列任务清单，而是用图结构来描述任务之间的依赖关系和执行顺序，这样可以更好地处理复杂的多跳推理场景。
Expert（专家智能体） 是具体的执行者，数量和类型可以根据业务场景动态扩展。当前代码库中已经包含多种专家角色：图数据库操作专家、代码执行专家、浏览器操作专家等。每个专家都有自己专属的工具集（Toolkit）和工作流（Workflow），通过 MCP（Model Context Protocol）协议实现与外部系统的集成。MCP 是一种新兴的智能体间通信协议，允许智能体以一种标准化的方式调用外部工具和获取上下文，Chat2Graph 在这一层做了较早的探索和集成。
Reasoner（推理引擎） 实现了「快&慢思考结合」的双 LLM 推理机制。这借鉴了 Kahneman 的「系统一/系统二」认知理论：快思考用于处理简单直接的查询，比如「查询某节点的所有属性」；慢思考用于处理需要多步推理的复杂问题，比如「找出从 A 到 B 的所有路径中哪条涉及最多中介节点」。这种分层设计让系统在响应速度和推理深度之间取得了平衡。
Chat2Graph 的存储层设计体现了对「图+AI」场景的深度理解。它同时接入两类数据库：
Neo4j 作为主图数据库，存储实体（Entity）和关系（Relation）的结构化数据。这是 Chat2Graph 管理图谱知识的底层基础设施，用户上传文档后，系统会自动提取其中的实体和关系，存入 Neo4j 形成知识图谱。
ChromaDB 作为向量数据库，用于存储文档和实体的高维嵌入表示。在知识检索阶段，系统会先用向量相似度做初步召回，再用图数据库中的关系信息做精确筛选——这种「向量粗召回 + 图关系精排」的双阶段检索策略，是当前 GraphRAG 领域的主流方案。
两者结合的好处是：向量检索擅长找到语义相似的内容（图谱中没有明确标注但语义相近的节点），而图数据库擅长捕捉结构化的关联关系（两跳邻居、最短路径、社区检测等）。两种能力叠加，才能真正发挥「Graph + AI」的优势。
智能体的记忆系统（Memory）是 Chat2Graph 的另一亮点。它采用了分层记忆架构，从近到远分为三层：
短期记忆（Short-term Memory）：记录当前会话中的对话历史和中间推理结果，用于支持多轮对话中的上下文连贯性。当用户追问「上一条查询结果中，那个节点的直接邻居是谁」时，系统会从短期记忆中获取上一步的结果。
长期记忆（Long-term Memory）：存储跨会话积累的结构化知识，比如「某类查询的常用模式」「某个领域的专业术语定义」等。这部分记忆会被写入图数据库，持久化保存。
工作记忆（Working Memory）：在执行具体任务时，动态聚合相关的记忆片段，形成任务专用的上下文窗口。比如在执行「查找异常交易关联链」任务时，系统会优先加载与「交易」「异常」「资金流向」相关的记忆。
这种分层设计的优势在于：既保证了多轮对话的流畅性，又避免了上下文窗口的无限膨胀，同时让跨会话的知识积累成为可能。
一个功能完备的智能体系统需要集成大量工具（Tool）：图数据库查询、网页浏览、代码执行、文件读写……Chat2Graph 的做法是将这些工具本身也建模为图谱中的节点和边——工具知识图谱（Toolkit Knowledge Graph）。
在这个图谱中，每个工具是一个节点，工具之间的调用依赖关系、参数传递关系、功能互补关系都用边来表示。当 Leader 需要调度某个 Expert 执行任务时，它可以通过查询工具知识图谱，动态决定该 Expert 需要调用哪些工具、以什么顺序调用。相比传统的「固定工具集 + 条件分支」方案，这种图结构化的工具管理让系统更容易扩展新工具，也更容易发现工具之间的协同关系。
Chat2Graph 提供了一个基于 React + Umi.js + Ant Design 构建的 Web 界面。这个界面不仅提供了传统的聊天对话框，还内置了图谱可视化能力——用户的对话历史、查询结果中的实体关系，都会以交互式图谱的形式展示出来。用户可以点击图谱中的节点，查看其属性和邻居关系，也可以直接在图谱上做操作（比如高亮某个子图、导出查询结果）。
前端还使用了 @antv/g6 作为图谱可视化的底层渲染引擎。G6 是蚂蚁 AntV 团队开源的图可视化库，在处理大规模图数据时有较好的性能表现。
坦率地说，Chat2Graph 的部署对普通用户来说有一定门槛。没有提供 Docker 支持，是当前版本最大的遗憾——这意味着用户必须自己配置 Python 3.10-3.11 环境、安装 Poetry、管理 Node.js 和 npm、处理 Neo4j 或 TuGraph 的安装和启动。
不过，项目在文档方面的投入是值得称道的。它提供了完整的中英文文档，涵盖产品简介、快速开始、技术原理、使用手册、开发指南和运维手册六个维度。README 中还附带了详细的技术路线图（Roadmap），让用户对项目的未来发展方向一目了然。bin/ 目录下提供的 start.sh、build.sh 等脚本，虽然不是 Docker 一键部署，但对于熟悉 Shell 的开发者来说，已经足够友好。
部署步骤简化版：
git clone https://github.com/TuGraph-family/chat2graphbin/build.sh（自动安装 Poetry 依赖 + 构建前端）bin/start.sh 启动服务亮点：
局限：
Chat2Graph 的开源，是 2025 年「Graph + AI」领域的一个标志性事件。它代表了从「用 AI 辅助图数据库使用」（AI for Graph）到「用图结构增强 AI 推理能力」（Graph for AI）的范式升级。蚂蚁团队选择将内部沉淀了数年的图智能体技术开源，既是对开源社区的回馈，也是对「图原生智能体」这一新方向的有力背书。
对于 AI 爱好者来说，Chat2Graph 展示了如何用多智能体架构处理复杂的关系推理问题；对于开发者来说，它的 SDK 设计（位于 app/core/sdk/）提供了清晰的服务接口，方便做二次开发和系统集成。随着 GraphRAG 技术的持续成熟和 MCP 生态的扩张，Chat2Graph 这类「图原生智能体」系统的价值将会更加凸显。