VeritasGraph
用知识图谱结构替代向量检索，让AI的多跳推理和答案溯源成为可能
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
用知识图谱结构替代向量检索，让AI的多跳推理和答案溯源成为可能
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。
想象一下，你的企业知识库里有上万份合同、财务报告和技术文档。当你向AI助手提问："今年有哪些采购订单违反了我们的权责分离政策？"传统RAG会怎么做？
它会把问题向量化，在海量文本片段中寻找"语义相似"的内容——就像在一堆乱糟糟的便签里，凭感觉随手抓几张相关便签来回答问题。结果呢？要么遗漏了关键的关联信息（比如某供应商同时出现在采购和财务两个角色中），要么给出的答案缺乏可追溯的来源依据。这种"上下文失明"问题，正是当前RAG系统最致命的短板。
VeritasGraph 正是为解决这个问题而生。它不靠"感觉"，而靠"结构"来回答复杂问题。
传统向量检索RAG的本质是相似性匹配：把文档切成小块（chunk），每个块转成向量，查询时找最相似的N个块。但这种方式有三个天然缺陷：
知识图谱（Knowledge Graph）用**节点（实体）+ 边（关系）**的结构来表示知识，天然支持多跳推理。但纯图谱的缺点是构建成本高、语义搜索能力弱。VeritasGraph 的核心创新是将两者融合：先用图谱结构捕捉实体关系，再结合语义检索，同时获得结构推理和语义理解的双重优势。
VeritasGraph 是一个开源的知识图谱+GraphRAG双引擎框架，全称 "Veritas" 源自拉丁语"真理"——项目的核心理念是让AI的回答100%可溯源、可验证。
项目由印度开发者 bibinprathap 创建和维护，GitHub 收获 295 Stars（本文分析时），已发布 PyPI 包 veritasgraph，支持 pip 一键安装。代码主要使用 Python 3.10+，采用 MIT 开源许可证，仓库已有 136 次提交。
VeritasGraph 的核心是一个精心设计的四阶段流水线：
文档输入
↓
[阶段1] 自动知识图谱构建
TextUnits → (head, relation, tail) 三元组
↓
[阶段2] 混合检索引擎
树形导航（TOC）+ 图遍历 双重检索
↓
[阶段3] LoRA微调推理核心
基于上下文的推理生成
↓
[阶段4] 归属与溯源层
每个答案精确指向源文档位置
这是 VeritasGraph 最独特的设计。它不是单纯建一个图谱，而是在图结构之上叠加了树形层级导航（类似 PDF 阅读器的目录结构），同时图中的边可以跨层级、跨分支建立关联。
这种设计带来了三个传统RAG做不到的能力：
VeritasGraph 提供了灵活的三级部署选项：
| 模式 | 需求 | 说明 |
|---|---|---|
--mode=lite | OpenAI/Anthropic API Key | 快速体验，无需GPU，适合Demo |
--mode=local | Ollama + 8GB RAM | 完全本地运行，保护数据隐私 |
--mode=full | Docker + Neo4j | 完整功能，支持生产环境 |
Lite 模式和 Local 模式都不需要GPU，这对个人开发者和中小企业非常友好。
安装只需一行命令：
pip install veritasgraph
三行代码即可完成知识图谱构建+查询：
from veritasgraph import VeritasGraph
vg = VeritasGraph(mode="local") # 或 "lite" / "full"
vg.ingest("path/to/your/documents/")
result = vg.query("Which POs violate SoD policy this quarter?")
整个过程对用户屏蔽了图谱构建的复杂性，API 设计简洁直观。
VeritasGraph 支持多种数据源的自动解析：
摄入模式也可灵活切换：document-centric（整页/整节为单位）、page（每页一个节点）、section（每节一个节点）、chunk（传统token分块）。
项目内置了一个基于 FastAPI + 单页前端 的 Studio 工作台，提供完整的图形化操作界面：
Live Demo: https://bibinprathap.github.io/VeritasGraph/studio/
Studio 的启动脚本支持 Linux 服务化部署，提供了 systemd service 文件，适合将服务长期运行在服务器上。
VeritasGraph 还有一个姐妹模块 VeritasReason，专门针对结构化数据的规则评估场景，比如：
它的处理流程是将非结构化政策文档（PDF合同、手册）和结构化业务数据（ERP、HRIS数据库）分别建图，然后通过规则引擎进行合规推理。
仓库核心目录结构：
| 目录 | 说明 |
|---|---|
studio_api/ | FastAPI 后端，提供 Studio 的 REST API |
veritas-reason/ | 独立的企业合规规则评估子模块（含独立Dockerfile和README） |
rules/ | SOD策略规则配置（YAML格式） |
scripts/ | Linux服务安装脚本、tunnel启动脚本 |
docs/ | 部署文档（Linux部署指南等） |
demos/ | 演示示例（agent-studio、foundry-studio、policy-compliance） |
tests/ | 测试用例 |
VeritasGraph 的主力技术栈：
核心 AI 组件包括：基于图遍历的多跳推理引擎、混合检索（树+图）系统、以及可选的 LoRA 微调推理模块。
尽管设计理念先进，VeritasGraph 当前仍存在一些局限：
Lite 模式依赖外部API：如果你选择不部署 Ollama，就必须把数据发送给 OpenAI/Anthropic，数据隐私无法完全保证。尽管项目强调"100%本地"，但这仅在 --mode=local 或 --mode=full 时成立。
Neo4j 的运维复杂度：full 模式需要运维 Neo4j 图数据库，对于没有图数据库经验的团队来说，学习曲线不低。
知识图谱构建质量依赖LLM：从文本自动抽取三元组（head, relation, tail）的质量高度依赖所使用的语言模型能力，较弱的模型可能产生噪音实体和关系。
缺乏规模化测试：目前仅有约 295 Stars 和 1 个 issue，项目的生产环境稳定性尚未经过大规模社区验证。
VeritasGraph 代表了 RAG 技术演进的一个重要方向——从向量相似性搜索，走向结构化知识推理。
随着企业 AI 应用深入，用户对回答质量的要求从"大致正确"提升到"精确可溯"。传统 RAG 的天花板正在显现：单纯的 chunk + vector 组合已经无法满足复杂业务场景的需求。
GraphRAG 赛道正在快速升温：微软研究院提出了基于知识图谱的 GraphRAG，Neo4j 推出了自己的 GraphRAG 工具链，LangChain 和 LlamaIndex 也都在积极集成图谱能力。VeritasGraph 作为这一趋势下的开源选手，以 MIT 许可证、完全本地运行的核心卖点，为开发者提供了一个有价值的参考实现。
如果你在构建企业知识库、智能客服、合规审计类应用，VeritasGraph 值得重点关注。
图1：VeritasGraph 作者 bibinprathap 的 GitHub 头像
图2：VeritasGraph GitHub 仓库概览图