📢 最新消息

• [2026-02] 🎉 我们的Enterprise Edition GraphRAG已在腾讯云ADP平台上线。
• [2026-01] 🎉 我们的Youtu-GraphRAG已被ICLR 2026接收！

🎯 简介

Youtu-GraphRAG是一种垂直统一的智能体范式，基于图模式将整个框架以精妙的集成方式紧密连接。我们能够在对图模式几乎不作干预的情况下实现跨领域的无缝迁移，为实际应用提供了下一代GraphRAG范式的洞见，并展现出卓越的适应性。

🎨 何时以及为何使用Youtu-GraphRAG

🔗 多跳推理/摘要/结论：需要多步推理的复杂问题
📚 知识密集型任务：依赖大量结构化/私有/领域知识的问题
🌐 领域可扩展性：只需对模式进行少量调整，即可轻松支持百科全书、学术论文、商业/私人知识库等不同领域

🏗️ 框架架构

📲 交互界面

本视频将带您了解该项目的主要功能。

🚀 贡献与创新点

基于我们针对图检索增强生成（GraphRAG）的统一智能体范式，Youtu-GraphRAG引入了多项关键创新，将整个框架以高度集成的方式紧密相连：

🏗️ 1. 模式引导的层次化知识树构建

• 🌱 种子图模式：引入目标实体类型、关系及属性类型，用于约束自动抽取智能体
• 📈 可扩展模式扩展：持续扩展模式，以适应未见过的领域
• 🏢 四层架构：
  • 第1层（属性）：实体属性信息
  • 第2层（关系）：实体关系三元组
  • 第3层（关键词）：关键词索引
  • 第4层（社区）：层次化的社区结构
• ⚡ 快速适配工业应用：我们能够在对模式几乎不作干预的情况下实现跨领域的无缝迁移

🌳 2. 双重感知的社区检测

• 🔬 新型社区检测算法：融合结构拓扑与子图语义，实现全面的知识组织
• 📊 层次化知识树：自然形成支持自上而下过滤和自下而上推理的结构，性能优于传统的Leiden和Louvain算法
• 📝 社区摘要：通过LLM增强的社区摘要，实现更高层次的知识抽象

🤖 3. 智能体式检索

• 🎯 模式感知分解：利用同一图模式将复杂查询转化为可处理且并行的子查询
• 🔄 迭代反思：通过IRCoT（迭代检索思维链）进行反思，实现更高级的推理

🧠 4. 面向实际部署的先进构建与推理能力

• 🎯 性能提升：通过优化提示、索引和检索策略，减少令牌消耗并提高准确率
• 🤹‍♀️ 用户友好的可视化：在output/graphs/目录中，四层知识树支持neo4j导入，使推理路径和知识组织对用户而言清晰可见
• ⚡ 并行子问题处理：并发处理分解后的子问题，以提高效率并应对复杂场景
• 🤔 迭代式推理：逐步构建答案，并保留推理轨迹
• 📊 领域可扩展性：专为企业级部署设计，对新领域只需极少的人工干预

📈 5. 公平匿名数据集‘AnonyRAG’

• 链接：Hugging Face AnonyRAG
• 防止LLM/嵌入模型预训练中的知识泄露
• 深入测试GraphRAG的真实检索性能
• 多语言版本，包含中文和英文

⚙️ 6. 统一配置管理

• 🎛️ 集中参数管理：所有组件均通过单个YAML文件进行配置
• 🔧 运行时参数覆盖：可在执行过程中动态调整配置
• 🌍 多环境支持：对模式几乎不作干预即可实现跨领域的无缝迁移
• 🔄 向后兼容性：确保现有代码仍能正常运行

📊 性能对比

我们在包括 GraphRAG-Bench、HotpotQA 和 MuSiQue 在内的六个具有挑战性的基准测试上进行了广泛实验，结果表明 Youtu-GraphRAG 具有强大的鲁棒性。与当前最优方法相比，其 令牌成本降低了 33.6%，同时在准确率上比最先进基线高出 16.62%，显著推动了帕累托前沿的提升。这些结果也展示了我们的模型具备良好的适应性，能够在对模式几乎无需干预的情况下实现跨领域的无缝迁移。

📁 项目结构

youtu-graphrag/
├── 📁 config/                     # 配置系统
│   ├── base_config.yaml           # 主配置文件
│   ├── config_loader.py           # 配置加载器
│   └── __init__.py                # 配置模块接口
│
├── 📁 data/                       # 数据目录
│
├── 📁 models/                     # 核心模型
│   ├── 📁 constructor/            # 知识图谱构建
│   │   └── kt_gen.py              # KTBuilder - 层次化图谱构建器
│   ├── 📁 retriever/              # 检索模块
│   │   ├── enhanced_kt_retriever.py  # KTRetriever - 主要检索器
│   │   ├── agentic_decomposer.py     # 查询分解器
│   └── └── faiss_filter.py           # DualFAISSRetriever - FAISS 检索器
│
├── 📁 utils/                      # 工具模块
│   ├── tree_comm.py              # 社区检测算法
│   ├── call_llm_api.py           # 调用大模型 API
│   ├── eval.py                   # 评估工具
│   └── graph_processor.py        # 图处理工具
│
├── 📁 schemas/                   # 数据集模式
├── 📁 assets/                    # 资源（图片、图表）
│
├── 📁 output/                    # 输出目录
│   ├── graphs/                   # 构建的知识图谱
│   ├── chunks/                   # 文本分块信息
│   └── logs/                     # 运行时日志
│
├── 📁 retriever/                 # 检索缓存
│
├── main.py                       # 🎯 主程序入口
├── requirements.txt              # 依赖列表
├── setup_env.sh                  # 安装 Web 依赖
├── start.sh                      # 启动 Web 服务
└── README.md                     # 项目文档

🚀 快速入门

我们提供了两种方式来运行和体验演示服务。考虑到底层环境的差异，我们推荐使用 Docker 作为首选部署方式。

💻 使用 Dockerfile 启动

此方法依赖于 Docker 环境，可按照 官方文档 进行安装。

# 1. 克隆 Youtu-GraphRAG 项目
git clone https://github.com/TencentCloudADP/youtu-graphrag

# 2. 根据 .env.example 创建 .env 文件
cd youtu-graphrag && cp .env.example .env
# 在 .env 中按 OpenAI API 格式配置您的大模型 API
# LLM_MODEL=deepseek-chat
# LLM_BASE_URL=https://api.deepseek.com
# LLM_API_KEY=sk-xxxxxx

# 3. 使用 Dockerfile 构建镜像
docker build -t youtu_graphrag:v1 .

# 4. 运行 Docker 容器
docker run -d -p 8000:8000 youtu_graphrag:v1

# 5. 访问 http://localhost:8000
curl -v http://localhost:8000

💻 Web UI 体验

此方法依赖于 Python 3.10 及其对应的 pip 环境，您可以按照 官方文档 进行安装。

# 1. 克隆 Youtu-GraphRAG 项目
git clone https://github.com/TencentCloudADP/youtu-graphrag

# 2. 根据 .env.example 创建 .env 文件
cd youtu-graphrag && cp .env.example .env
# 在 .env 中按 OpenAI API 格式配置您的大模型 API
# LLM_MODEL=deepseek-chat
# LLM_BASE_URL=https://api.deepseek.com
# LLM_API_KEY=sk-xxxxxx

# 3. 设置环境
./setup_env.sh

# 4. 启动 Web 服务
./start.sh

# 5. 访问 http://localhost:8000
curl -v http://localhost:8000

📖 完整使用指南

如需高级配置和使用：🚀 完整指南（英文） | 🚀 完整指南（中文）

⭐ 立即开始使用 Youtu-GraphRAG，体验智能问答！ 🚀

🤝 贡献

我们欢迎社区的贡献！以下是您可以提供帮助的方式：

💻 代码贡献

1. 🍴 分支项目
2. 🌿 创建功能分支 (git checkout -b feature/AmazingFeature)
3. 💾 提交更改 (git commit -m '添加 AmazingFeature')
4. 📤 推送到分支 (git push origin feature/AmazingFeature)
5. 🔄 创建拉取请求

🔧 扩展指南

• 🌱 新种子模式：添加高质量种子模式及数据处理流程
• 📊 自定义数据集：以最小的模式干预集成新数据集
• 🎯 领域特定应用：通过“最佳实践”扩展框架以支持特定用例

📞 联系方式

Hanson Dong - hansonjdong@tencent.com Siyu An - siyuan@tencent.com

---

🎉 引用

@misc{dong2025youtugraphrag,
      title={Youtu-GraphRAG: 垂直统一的代理用于图检索增强型复杂推理}, 
      author={Junnan Dong 和 Siyu An 和 Yifei Yu 和 Qian-Wen Zhang 和 Linhao Luo 和 Xiao Huang 和 Yunsheng Wu 和 Di Yin 和 Xing Sun},
      year={2025},
      eprint={2508.19855},
      archivePrefix={arXiv},
      url={https://arxiv.org/abs/2508.19855}, 
}

Youtu-GraphRAG 快速上手指南

Youtu-GraphRAG 是腾讯开源的垂直统一智能体框架，专为基于图谱的检索增强生成（GraphRAG）设计。它在多跳推理、知识密集型任务中表现卓越，相比 SOTA 基线降低了 33.6% 的 Token 成本并提升了 16.62% 的准确率。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统: Linux 或 macOS (Windows 用户建议使用 WSL2 或 Docker)
• 推荐部署方式: Docker (环境隔离，依赖预装，最稳定)
• 本地部署要求:
  • Python >= 3.10
  • Git
  • pip (Python 包管理工具)
• 大模型 API: 需要配置一个兼容 OpenAI 格式的大模型 API Key (如 DeepSeek, OpenAI, 或本地部署的 vLLM/Ollama 等)。

安装步骤

您可以选择 Docker 部署（推荐）或 本地源码部署。

方案一：Docker 部署（推荐）

此方法无需手动配置 Python 环境，适合快速体验。

1. 克隆项目代码

   git clone https://github.com/TencentCloudADP/youtu-graphrag
   cd youtu-graphrag
   

2. 配置环境变量 复制示例配置文件并编辑您的 LLM API 信息：

   cp .env.example .env
   

   编辑 .env 文件，填入您的 API 配置（以 DeepSeek 为例）：

   LLM_MODEL=deepseek-chat
   LLM_BASE_URL=https://api.deepseek.com
   LLM_API_KEY=sk-xxxxxx
   

3. 构建并运行镜像

   # 构建镜像
   docker build -t youtu_graphrag:v1 .
   
   # 启动服务 (映射端口 8000)
   docker run -d -p 8000:8000 youtu_graphrag:v1
   

方案二：本地源码部署

如果您需要修改源码或进行二次开发，请使用此方法。

1. 克隆项目代码

   git clone https://github.com/TencentCloudADP/youtu-graphrag
   cd youtu-graphrag
   

2. 配置环境变量

   cp .env.example .env
   # 请同样编辑 .env 文件，配置您的 LLM_MODEL, LLM_BASE_URL 和 LLM_API_KEY
   

3. 安装依赖 执行官方提供的脚本来安装 Python 依赖及 Web 前端依赖：

   chmod +x setup_env.sh
   ./setup_env.sh
   

   (注：如果下载依赖较慢，可手动编辑 requirements.txt 添加国内镜像源，如 pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple)

4. 启动服务

   chmod +x start.sh
   ./start.sh
   

基本使用

服务启动后，您可以通过以下方式体验核心功能：

1. 访问 Web 交互界面

打开浏览器访问：

http://localhost:8000

在界面中，您可以上传文档、构建知识图谱并进行复杂的问答推理。界面支持可视化查看生成的四层知识树（属性、关系、关键词、社区）。

2. API 调用测试

您也可以直接通过命令行验证服务是否正常运行：

curl -v http://localhost:8000

3. 核心工作流说明

• 图谱构建: 系统会根据配置的 Schema 自动提取实体、关系，并利用双重感知社区检测算法构建层级知识树。
• 智能检索: 输入复杂问题时，Agent 会自动将问题分解为多个子查询（Schema-Aware Decomposition），并行检索并通过迭代反思（Iterative Reflection）生成最终答案。
• 结果查看: 生成的图谱数据存储在 output/graphs/ 目录，支持导入 Neo4j 进行可视化分析；日志文件位于 output/logs/。

提示: 更多高级配置（如自定义 Schema、调整检索策略）请参考项目根目录下的 FULLGUIDE-CN.md 完整指南。