[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-TencentCloudADP--youtu-graphrag":3,"tool-TencentCloudADP--youtu-graphrag":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",140436,2,"2026-04-05T23:32:43",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":79,"owner_email":80,"owner_twitter":79,"owner_website":81,"owner_url":82,"languages":83,"stars":100,"forks":101,"last_commit_at":102,"license":103,"difficulty_score":10,"env_os":104,"env_gpu":105,"env_ram":106,"env_deps":107,"category_tags":112,"github_topics":113,"view_count":23,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":119,"updated_at":120,"faqs":121,"releases":150},3014,"TencentCloudADP\u002Fyoutu-graphrag","youtu-graphrag","[ICLR 2026] Youtu-GraphRAG: Vertically Unified Agents for Graph Retrieval-Augmented Complex Reasoning","Youtu-GraphRAG 是一款面向复杂推理任务的新一代图检索增强生成（GraphRAG）框架，由腾讯团队研发并获 ICLR 2026 收录。它旨在解决大模型在处理多跳推理、知识密集型任务时常见的“幻觉”与逻辑断层问题，通过构建垂直统一的智能体范式，将图谱构建、检索与推理深度整合。\n\n该工具特别适合需要处理海量结构化数据或非公开领域知识的开发者与研究人员，广泛应用于学术文献分析、企业私有知识库构建及百科全书式问答场景。其核心亮点在于“模式引导的分层知识树”与“双重感知社区检测”技术：前者能自动提取实体关系并构建四层架构（属性、关系、关键词、社区），仅需极少干预即可无缝迁移至新领域；后者则通过创新算法融合结构与语义信息，精准定位关键知识群落。实测数据显示，Youtu-GraphRAG 在提升 16.62% 推理准确率的同时，降低了 33.6% 的 Token 消耗，为高效、低成本的复杂逻辑推理提供了强有力的技术支撑。","\u003Cdiv align=\"center\">\n\n# \u003Cimg src=\"assets\u002Flogo.svg\" alt=\"Youtu-agent Logo\" height=\"26px\"> Youtu-GraphRAG: \u003Cbr>Vertically Unified Agents for Graph Retrieval-Augmented Complex Reasoning\n\n[![License: MIT](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-MIT-yellow.svg)](LICENSE)\n[![Paper](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FPaper-Latest-blue.svg)](https:\u002F\u002Farxiv.org\u002Fabs\u002F2508.19855)\n[![WeChat Community](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FCommunity-WeChat-32CD32)](assets\u002Fwechat_qr.png)\n[![Discord Community](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FCommunity-Discord-8A2BE2)](https:\u002F\u002Fdiscord.gg\u002FQjqhkHQVVM)\n\u003Ca href=https:\u002F\u002Fdeepwiki.com\u002FTencentCloudADP\u002Fyoutu-graphrag>\u003Cimg src=https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FDeepWiki-Tencent-blue.svg>\u003C\u002Fa>\n[![GitHub stars](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002FTencentCloudADP\u002Fyoutu-graphrag?style=social)](https:\u002F\u002Fgithub.com\u002FTencentCloudADP\u002Fyoutu-graphrag)\n\n*🚀 Revolutionary framework moving Pareto Frontier with 33.6% lower token cost and 16.62% higher accuracy over SOTA baselines*\n\n[🔖 中文版](README-CN.md) • [🔖 日本語](README-JA.md) • [⭐ Contributions](#contributions) • [📊 Benchmarks](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FYoutu-Graph\u002FAnonyRAG) • [🚀 Getting Started](#quickstart)\n\n\u003C\u002Fdiv>\n\n## 📢 News\n* **[2026-02]** 🎉 Our Enterprise Edition GraphRAG has been launched on [**Tencent Cloud's ADP Platform**](https:\u002F\u002Fcloud.tencent.com\u002Fproduct\u002Fadp).\n* **[2026-01]** 🎉 Our [**Youtu-GraphRAG**](https:\u002F\u002Farxiv.org\u002Fabs\u002F2508.19855) has been accepted by **ICLR 2026**!\n\n## 🎯 Brief Introduction\n**Youtu-GraphRAG** is a vertically unified agentic paradigm that jointly connects the entire framework as an intricate integration based on graph schema. We allow seamless domain transfer with minimal intervention on the graph schema, providing insights of the next evolutionary GraphRAG paradigm for real-world applications with remarkable adaptability.\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTencentCloudADP_youtu-graphrag_readme_ea3221812a1e.png\" alt=\"Youtu-GrapHRAG Logo\" width=\"140\" align=\"left\" style=\"margin-right:20px;\">\n\n\n### 🎨 When and Why to use Youtu-GraphRAG\n\n🔗 Multi-hop Reasoning\u002FSummarization\u002FConclusion: Complex questions requiring multi-step reasoning\u003Cbr>\n📚 Knowledge-Intensive Tasks: Questions dependent on large amounts of structured\u002Fprivate\u002Fdomain knowledge\u003Cbr>\n🌐 Domain Scalability: Easily support encyclopedias, academic papers, commercial\u002Fprivate knowledge base and other domains with minimal intervention on the schema\u003Cbr>\u003Cbr>\n\n\n## 🏗️ Framework Architecture\n\n\u003Cdiv align=\"center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTencentCloudADP_youtu-graphrag_readme_c70de347f14d.png\" alt=\"Youtu-GraphRAG Framework Architecture\" width=\"95%\"\u002F>\u003Cbr>\nA sketched overview of our proposed framework Youtu-GraphRAG.\n\u003C\u002Fdiv>\n\n## 📲 Interactive interface\nThis [video](https:\u002F\u002Fyoutu.be\u002FfVUsgClHqwc) walks through the main features of the project.\n\u003Cdiv align=\"center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTencentCloudADP_youtu-graphrag_readme_ef38a2d8cf70.png\" alt=\"Graph Construction\" width=\"45.9%\"\u002F>\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTencentCloudADP_youtu-graphrag_readme_bebed0c57f74.png\" alt=\"Retrieval\" width=\"49.4%\"\u002F>\n\u003C\u002Fdiv>\n\n\u003C!-- \u003Cdiv align=\"center\"> -->\n\n\n\n\u003C!-- \u003C\u002Fdiv> -->\n\n\n\n\n\u003Ca id=\"contributions\">\u003C\u002Fa>\n## 🚀 Contributions and Novelty\n\nBased on our unified agentic paradigm for Graph Retrieval-Augmented Generation (GraphRAG), Youtu-GraphRAG introduces several key innovations that jointly connect the entire framework as an intricate integration:\n\n\n\u003Cstrong>🏗️ 1. Schema-Guided Hierarchical Knowledge Tree Construction\u003C\u002Fstrong>\n\n- 🌱 **Seed Graph Schema**: Introduces targeted entity types, relations, and attribute types to bound automatic extraction agents\n- 📈 **Scalable Schema Expansion**: Continuously expands schemas for adaptability over unseen domains\n- 🏢 **Four-Level Architecture**: \n  - **Level 1 (Attributes)**: Entity property information\n  - **Level 2 (Relations)**: Entity relationship triples\n  - **Level 3 (Keywords)**: Keyword indexing\n  - **Level 4 (Communities)**: Hierarchical community structure\n- ⚡ **Quick Adaptation to industrial applications**: We allow seamless domain transfer with minimal intervention on the schema\n\n\n\u003Cstrong>🌳 2. Dually-Perceived Community Detection\u003C\u002Fstrong>\n\n- 🔬 **Novel Community Detection Algorithm**: Fuses structural topology with subgraph semantics for comprehensive knowledge organization\n- 📊 **Hierarchical Knowledge Tree**: Naturally yields a structure supporting both top-down filtering and bottom-up reasoning that performs better than traditional Leiden and Louvain algorithms\n- 📝 **Community Summaries**: LLM-enhanced community summarization for higher-level knowledge abstraction\n\n\u003Cdiv align=\"center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTencentCloudADP_youtu-graphrag_readme_04131885e363.png\" alt=\"Youtu-GraphRAG Community Detection\" width=\"60%\"\u002F>\n\u003C\u002Fdiv>\n\n\u003Cstrong>🤖 3. Agentic Retrieval\u003C\u002Fstrong>\n\n- 🎯 **Schema-Aware Decomposition**: Interprets the same graph schema to transform complex queries into tractable and parallel sub-queries\n- 🔄 **Iterative Reflection**: Performs reflection for more advanced reasoning through IRCoT (Iterative Retrieval Chain of Thought)\n\n\u003Cdiv align=\"center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTencentCloudADP_youtu-graphrag_readme_b3b54bd8eb0a.png\" alt=\"Youtu-GraphRAG Agentic Decomposer\" width=\"50%\"\u002F>\n\u003C\u002Fdiv>\n\n\u003Cstrong>🧠 4. Advanced Construction and Reasoning Capabilities for real-world deployment\u003C\u002Fstrong>\n\n- 🎯 **Performance Enhancement**: Less token costs and higher accuracy with optimized prompting, indexing and retrieval strategies\n- 🤹‍♀️ **User friendly visualization**: In ```output\u002Fgraphs\u002F```, the four-level knowledge tree supports visualization with neo4j import，making reasoning paths and knowledge organization vividly visable to users\n- ⚡ **Parallel Sub-question Processing**: Concurrent handling of decomposed questions for efficiency and complex scenarios\n- 🤔 **Iterative Reasoning**: Step-by-step answer construction with reasoning traces\n- 📊 **Domain Scalability**: Designed for enterprise-scale deployment with minimal manual intervention for new domains\n\n\u003Cstrong>📈 5. Fair Anonymous Dataset 'AnonyRAG'\u003C\u002Fstrong>\n\n- Link: [Hugging Face AnonyRAG](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FYoutu-Graph\u002FAnonyRAG)\n- **Against knowledeg leakage in LLM\u002Fembedding model pretraining**\n- **In-depth test on real retrieval performance of GraphRAG**\n- **Multi-lingual with Chinese and English versions**\n\n\n\u003Cstrong>⚙️ 6. Unified Configuration Management\u003C\u002Fstrong>\n\n- 🎛️ **Centralized Parameter Management**: All components configured through a single YAML file\n- 🔧 **Runtime Parameter Override**: Dynamic configuration adjustment during execution\n- 🌍 **Multi-Environment Support**: Seamless domain transfer with minimal intervention on schema\n- 🔄 **Backward Compatibility**: Ensures existing code continues to function\n\n## 📊 Performance Comparisons\n\nExtensive experiments across six challenging benchmarks, including GraphRAG-Bench, HotpotQA and MuSiQue, demonstrate the robustness of Youtu-GraphRAG, remarkably moving the Pareto frontier with **33.6% lower token cost** compared to the sota methods and \u003Cstrong>16.62% higher accuracy\u003C\u002Fstrong> over state-of-the-art baselines. The results indicate our adaptability, allowing seamless domain transfer with minimal intervention on schema.\n\n\u003Cdiv align=\"center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTencentCloudADP_youtu-graphrag_readme_d020b4fd29d8.png\" alt=\"Cost\u002Facc performance\" width=\"90%\"\u002F>\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTencentCloudADP_youtu-graphrag_readme_7d37215a471a.png\" alt=\"Moving Pareto Frontier\" width=\"54%\"\u002F>\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTencentCloudADP_youtu-graphrag_readme_3f2fb811131f.png\" alt=\"radar comparison\" width=\"36%\"\u002F>\n\u003C\u002Fdiv>\n\n\n\n## 📁 Project Structure\n\n```\nyoutu-graphrag\u002F\n├── 📁 config\u002F                     # Configuration System\n│   ├── base_config.yaml           # Main configuration file\n│   ├── config_loader.py           # Configuration loader\n│   └── __init__.py                # Configuration module interface\n│\n├── 📁 data\u002F                       # Data Directory\n│\n├── 📁 models\u002F                     # Core Models\n│   ├── 📁 constructor\u002F            # Knowledge Graph Construction\n│   │   └── kt_gen.py              # KTBuilder - Hierarchical graph builder\n│   ├── 📁 retriever\u002F              # Retrieval Module\n│   │   ├── enhanced_kt_retriever.py  # KTRetriever - Main retriever\n│   │   ├── agentic_decomposer.py     # Query decomposer\n│   └── └── faiss_filter.py           # DualFAISSRetriever - FAISS retrieval\n│\n├── 📁 utils\u002F                      # Utility Modules\n│   ├── tree_comm.py              # community detection algorithm\n│   ├── call_llm_api.py           # LLM API calling\n│   ├── eval.py                   # Evaluation tools\n│   └── graph_processor.py        # Graph processing tools\n│\n├── 📁 schemas\u002F                   # Dataset Schemas\n├── 📁 assets\u002F                    # Assets (images, figures)\n│\n├── 📁 output\u002F                    # Output Directory\n│   ├── graphs\u002F                   # Constructed knowledge graphs\n│   ├── chunks\u002F                   # Text chunk information\n│   └── logs\u002F                     # Runtime logs\n│\n├── 📁 retriever\u002F                 # Retrieval Cache\n│\n├── main.py                       # 🎯 Main program entry\n├── requirements.txt              # Dependencies list\n├── setup_env.sh                  # install web dependency\n├── start.sh                      # start web service\n└── README.md                     # Project documentation\n```\n\n\u003Ca id=\"quickstart\">\u003C\u002Fa>\n\n## 🚀 Quick Start\nWe provide two approaches to run and experience the demo service. Considering the differences in the underlying environment, we recommend using **Docker** as the preferred deployment method.\n\n### 💻 Start with Dockerfile\n\nThis approach relies on the Docker environment, which could be installed according to [official documentation](https:\u002F\u002Fdocs.docker.com\u002Fget-started\u002F).\n\n```bash\n# 1. Clone Youtu-GraphRAG project\ngit clone https:\u002F\u002Fgithub.com\u002FTencentCloudADP\u002Fyoutu-graphrag\n\n# 2. Create .env according to .env.example\ncd youtu-graphrag && cp .env.example .env\n# Config your LLM api in .env as OpenAI API format\n# LLM_MODEL=deepseek-chat\n# LLM_BASE_URL=https:\u002F\u002Fapi.deepseek.com\n# LLM_API_KEY=sk-xxxxxx\n\n# 3. Build with dockerfile \ndocker build -t youtu_graphrag:v1 .\n\n# 4. Docker run\ndocker run -d -p 8000:8000 youtu_graphrag:v1\n\n# 5. Visit http:\u002F\u002Flocalhost:8000\ncurl -v http:\u002F\u002Flocalhost:8000\n```\n\n### 💻 Web UI Experience\n\nThis approach relies on Python 3.10 and the corresponding pip environment, you can install it according to the [official documentation](https:\u002F\u002Fdocs.python.org\u002F3.10\u002Fusing\u002Findex.html).\n\n```bash\n# 1. Clone Youtu-GraphRAG project\ngit clone https:\u002F\u002Fgithub.com\u002FTencentCloudADP\u002Fyoutu-graphrag\n\n# 2. Create .env according to .env.example\ncd youtu-graphrag && cp .env.example .env\n# Config your LLM api in .env as OpenAI API format\n# LLM_MODEL=deepseek-chat\n# LLM_BASE_URL=https:\u002F\u002Fapi.deepseek.com\n# LLM_API_KEY=sk-xxxxxx\n\n# 3. Setup environment\n.\u002Fsetup_env.sh\n\n# 4. Launch the web\n.\u002Fstart.sh\n\n# 5. Visit http:\u002F\u002Flocalhost:8000\ncurl -v http:\u002F\u002Flocalhost:8000\n```\n\n### 📖 Full Usage Guide\nFor advanced config and usage：[**🚀 Full Guide (English)**](FULLGUIDE.md) | [**🚀 完整指南（中文）**](FULLGUIDE-CN.md)\n\n### ⭐ **Start using Youtu-GraphRAG now and experience the intelligent question answering!** 🚀\n\n\n## 🤝 Contributing\n\nWe welcome contributions from the community! Here's how you can help:\n\n### 💻 Code Contribution\n\n1. 🍴 Fork the project\n2. 🌿 Create a feature branch (`git checkout -b feature\u002FAmazingFeature`)\n3. 💾 Commit your changes (`git commit -m 'Add some AmazingFeature'`)\n4. 📤 Push to the branch (`git push origin feature\u002FAmazingFeature`)\n5. 🔄 Create a Pull Request\n\n### 🔧 Extension Guide\n\n- **🌱 New Seed Schemas**: Add high-quality seed schema and data processing\n- **📊 Custom Datasets**: Integrate new datasets with minimal schema intervention\n- **🎯 Domain-Specific Applications**: Extend framework for specialized use cases with 'Best Practice'\n\n\n## 📞 Contact\n\n**Hanson Dong** - hansonjdong@tencent.com  **Siyu An** - siyuan@tencent.com\n\n---\n\n## 🎉 Citation\n\n```bibtex\n@misc{dong2025youtugraphrag,\n      title={Youtu-GraphRAG: Vertically Unified Agents for Graph Retrieval-Augmented Complex Reasoning}, \n      author={Junnan Dong and Siyu An and Yifei Yu and Qian-Wen Zhang and Linhao Luo and Xiao Huang and Yunsheng Wu and Di Yin and Xing Sun},\n      year={2025},\n      eprint={2508.19855},\n      archivePrefix={arXiv},\n      url={https:\u002F\u002Farxiv.org\u002Fabs\u002F2508.19855}, \n}\n```\n","\u003Cdiv align=\"center\">\n\n# \u003Cimg src=\"assets\u002Flogo.svg\" alt=\"Youtu-agent Logo\" height=\"26px\"> Youtu-GraphRAG: \u003Cbr>面向图检索增强复杂推理的垂直统一智能体\n\n[![License: MIT](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-MIT-yellow.svg)](LICENSE)\n[![论文](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FPaper-Latest-blue.svg)](https:\u002F\u002Farxiv.org\u002Fabs\u002F2508.19855)\n[![微信社区](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FCommunity-WeChat-32CD32)](assets\u002Fwechat_qr.png)\n[![Discord社区](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FCommunity-Discord-8A2BE2)](https:\u002F\u002Fdiscord.gg\u002FQjqhkHQVVM)\n\u003Ca href=https:\u002F\u002Fdeepwiki.com\u002FTencentCloudADP\u002Fyoutu-graphrag>\u003Cimg src=https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FDeepWiki-Tencent-blue.svg>\u003C\u002Fa>\n[![GitHub 星标](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002FTencentCloudADP\u002Fyoutu-graphrag?style=social)](https:\u002F\u002Fgithub.com\u002FTencentCloudADP\u002Fyoutu-graphrag)\n\n*🚀 革命性框架，将帕累托前沿向前推进：相比当前最优基准，令牌成本降低33.6%，准确率提升16.62%*\n\n[🔖 中文版](README-CN.md) • [🔖 日本語](README-JA.md) • [⭐ 贡献](#contributions) • [📊 基准测试](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FYoutu-Graph\u002FAnonyRAG) • [🚀 快速入门](#quickstart)\n\n\u003C\u002Fdiv>\n\n## 📢 最新消息\n* **[2026-02]** 🎉 我们的Enterprise Edition GraphRAG已在[**腾讯云ADP平台**](https:\u002F\u002Fcloud.tencent.com\u002Fproduct\u002Fadp)上线。\n* **[2026-01]** 🎉 我们的[**Youtu-GraphRAG**](https:\u002F\u002Farxiv.org\u002Fabs\u002F2508.19855)已被**ICLR 2026**接收！\n\n## 🎯 简介\n**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。\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTencentCloudADP_youtu-graphrag_readme_ea3221812a1e.png\" alt=\"Youtu-GrapHRAG Logo\" width=\"140\" align=\"left\" style=\"margin-right:20px;\">\n\n\n### 🎨 何时以及为何使用Youtu-GraphRAG\n\n🔗 多跳推理\u002F摘要\u002F结论：需要多步推理的复杂问题\u003Cbr>\n📚 知识密集型任务：依赖大量结构化\u002F私有\u002F领域知识的问题\u003Cbr>\n🌐 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\u002F私人知识库等不同领域\u003Cbr>\u003Cbr>\n\n\n## 🏗️ 框架架构\n\n\u003Cdiv align=\"center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTencentCloudADP_youtu-graphrag_readme_c70de347f14d.png\" alt=\"Youtu-GraphRAG框架架构\" width=\"95%\"\u002F>\u003Cbr>\n我们提出的Youtu-GraphRAG框架概览草图。\n\u003C\u002Fdiv>\n\n## 📲 交互界面\n本[视频](https:\u002F\u002Fyoutu.be\u002FfVUsgClHqwc)将带您了解该项目的主要功能。\n\u003Cdiv align=\"center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTencentCloudADP_youtu-graphrag_readme_ef38a2d8cf70.png\" alt=\"图构建\" width=\"45.9%\"\u002F>\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTencentCloudADP_youtu-graphrag_readme_bebed0c57f74.png\" alt=\"检索\" width=\"49.4%\"\u002F>\n\u003C\u002Fdiv>\n\n\u003C!-- \u003Cdiv align=\"center\"> -->\n\n\n\n\u003C!-- \u003C\u002Fdiv> -->\n\n\n\n\n\u003Ca id=\"contributions\">\u003C\u002Fa>\n## 🚀 贡献与创新点\n\n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：\n\n\n\u003Cstrong>🏗️ 1. 模式引导的层次化知识树构建\u003C\u002Fstrong>\n\n- 🌱 **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\n- 📈 **可扩展模式扩展**：持续扩展模式，以适应未见过的领域\n- 🏢 **四层架构**：\n  - **第1层（属性）**：实体属性信息\n  - **第2层（关系）**：实体关系三元组\n  - **第3层（关键词）**：关键词索引\n  - **第4层（社区）**：层次化的社区结构\n- ⚡ **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\n\n\n\u003Cstrong>🌳 2. 双重感知的社区检测\u003C\u002Fstrong>\n\n- 🔬 **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\n- 📊 **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\n- 📝 **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\n\n\u003Cdiv align=\"center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTencentCloudADP_youtu-graphrag_readme_04131885e363.png\" alt=\"Youtu-GraphRAG社区检测\" width=\"60%\"\u002F>\n\u003C\u002Fdiv>\n\n\u003Cstrong>🤖 3. 智能体式检索\u003C\u002Fstrong>\n\n- 🎯 **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\n- 🔄 **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\n\n\u003Cdiv align=\"center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTencentCloudADP_youtu-graphrag_readme_b3b54bd8eb0a.png\" alt=\"Youtu-GraphRAG智能体分解器\" width=\"50%\"\u002F>\n\u003C\u002Fdiv>\n\n\u003Cstrong>🧠 4. 面向实际部署的先进构建与推理能力\u003C\u002Fstrong>\n\n- 🎯 **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\n- 🤹‍♀️ **用户友好的可视化**：在```output\u002Fgraphs\u002F```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\n- ⚡ **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\n- 🤔 **迭代式推理**：逐步构建答案，并保留推理轨迹\n- 📊 **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\n\n\u003Cstrong>📈 5. 公平匿名数据集‘AnonyRAG’\u003C\u002Fstrong>\n\n- 链接：[Hugging Face AnonyRAG](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FYoutu-Graph\u002FAnonyRAG)\n- **防止LLM\u002F嵌入模型预训练中的知识泄露**\n- **深入测试GraphRAG的真实检索性能**\n- **多语言版本，包含中文和英文**\n\n\n\u003Cstrong>⚙️ 6. 统一配置管理\u003C\u002Fstrong>\n\n- 🎛️ **集中参数管理**：所有组件均通过单个YAML文件进行配置\n- 🔧 **运行时参数覆盖**：可在执行过程中动态调整配置\n- 🌍 **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\n- 🔄 **向后兼容性**：确保现有代码仍能正常运行\n\n## 📊 性能对比\n\n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。\n\n\u003Cdiv align=\"center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTencentCloudADP_youtu-graphrag_readme_d020b4fd29d8.png\" alt=\"Cost\u002Facc performance\" width=\"90%\"\u002F>\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTencentCloudADP_youtu-graphrag_readme_7d37215a471a.png\" alt=\"Moving Pareto Frontier\" width=\"54%\"\u002F>\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTencentCloudADP_youtu-graphrag_readme_3f2fb811131f.png\" alt=\"radar comparison\" width=\"36%\"\u002F>\n\u003C\u002Fdiv>\n\n\n\n## 📁 项目结构\n\n```\nyoutu-graphrag\u002F\n├── 📁 config\u002F                     # 配置系统\n│   ├── base_config.yaml           # 主配置文件\n│   ├── config_loader.py           # 配置加载器\n│   └── __init__.py                # 配置模块接口\n│\n├── 📁 data\u002F                       # 数据目录\n│\n├── 📁 models\u002F                     # 核心模型\n│   ├── 📁 constructor\u002F            # 知识图谱构建\n│   │   └── kt_gen.py              # KTBuilder - 层次化图谱构建器\n│   ├── 📁 retriever\u002F              # 检索模块\n│   │   ├── enhanced_kt_retriever.py  # KTRetriever - 主要检索器\n│   │   ├── agentic_decomposer.py     # 查询分解器\n│   └── └── faiss_filter.py           # DualFAISSRetriever - FAISS 检索器\n│\n├── 📁 utils\u002F                      # 工具模块\n│   ├── tree_comm.py              # 社区检测算法\n│   ├── call_llm_api.py           # 调用大模型 API\n│   ├── eval.py                   # 评估工具\n│   └── graph_processor.py        # 图处理工具\n│\n├── 📁 schemas\u002F                   # 数据集模式\n├── 📁 assets\u002F                    # 资源（图片、图表）\n│\n├── 📁 output\u002F                    # 输出目录\n│   ├── graphs\u002F                   # 构建的知识图谱\n│   ├── chunks\u002F                   # 文本分块信息\n│   └── logs\u002F                     # 运行时日志\n│\n├── 📁 retriever\u002F                 # 检索缓存\n│\n├── main.py                       # 🎯 主程序入口\n├── requirements.txt              # 依赖列表\n├── setup_env.sh                  # 安装 Web 依赖\n├── start.sh                      # 启动 Web 服务\n└── README.md                     # 项目文档\n```\n\n\u003Ca id=\"quickstart\">\u003C\u002Fa>\n\n## 🚀 快速入门\n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。\n\n### 💻 使用 Dockerfile 启动\n\n此方法依赖于 Docker 环境，可按照 [官方文档](https:\u002F\u002Fdocs.docker.com\u002Fget-started\u002F) 进行安装。\n\n```bash\n# 1. 克隆 Youtu-GraphRAG 项目\ngit clone https:\u002F\u002Fgithub.com\u002FTencentCloudADP\u002Fyoutu-graphrag\n\n# 2. 根据 .env.example 创建 .env 文件\ncd youtu-graphrag && cp .env.example .env\n# 在 .env 中按 OpenAI API 格式配置您的大模型 API\n# LLM_MODEL=deepseek-chat\n# LLM_BASE_URL=https:\u002F\u002Fapi.deepseek.com\n# LLM_API_KEY=sk-xxxxxx\n\n# 3. 使用 Dockerfile 构建镜像\ndocker build -t youtu_graphrag:v1 .\n\n# 4. 运行 Docker 容器\ndocker run -d -p 8000:8000 youtu_graphrag:v1\n\n# 5. 访问 http:\u002F\u002Flocalhost:8000\ncurl -v http:\u002F\u002Flocalhost:8000\n```\n\n### 💻 Web UI 体验\n\n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](https:\u002F\u002Fdocs.python.org\u002F3.10\u002Fusing\u002Findex.html) 进行安装。\n\n```bash\n# 1. 克隆 Youtu-GraphRAG 项目\ngit clone https:\u002F\u002Fgithub.com\u002FTencentCloudADP\u002Fyoutu-graphrag\n\n# 2. 根据 .env.example 创建 .env 文件\ncd youtu-graphrag && cp .env.example .env\n# 在 .env 中按 OpenAI API 格式配置您的大模型 API\n# LLM_MODEL=deepseek-chat\n# LLM_BASE_URL=https:\u002F\u002Fapi.deepseek.com\n# LLM_API_KEY=sk-xxxxxx\n\n# 3. 设置环境\n.\u002Fsetup_env.sh\n\n# 4. 启动 Web 服务\n.\u002Fstart.sh\n\n# 5. 访问 http:\u002F\u002Flocalhost:8000\ncurl -v http:\u002F\u002Flocalhost:8000\n```\n\n### 📖 完整使用指南\n如需高级配置和使用：[**🚀 完整指南（英文）**](FULLGUIDE.md) | [**🚀 完整指南（中文）**](FULLGUIDE-CN.md)\n\n### ⭐ **立即开始使用 Youtu-GraphRAG，体验智能问答！** 🚀\n\n\n## 🤝 贡献\n我们欢迎社区的贡献！以下是您可以提供帮助的方式：\n\n### 💻 代码贡献\n\n1. 🍴 分支项目\n2. 🌿 创建功能分支 (`git checkout -b feature\u002FAmazingFeature`)\n3. 💾 提交更改 (`git commit -m '添加 AmazingFeature'`)\n4. 📤 推送到分支 (`git push origin feature\u002FAmazingFeature`)\n5. 🔄 创建拉取请求\n\n### 🔧 扩展指南\n\n- **🌱 新种子模式**：添加高质量种子模式及数据处理流程\n- **📊 自定义数据集**：以最小的模式干预集成新数据集\n- **🎯 领域特定应用**：通过“最佳实践”扩展框架以支持特定用例\n\n\n## 📞 联系方式\n\n**Hanson Dong** - hansonjdong@tencent.com  **Siyu An** - siyuan@tencent.com\n\n---\n\n## 🎉 引用\n```bibtex\n@misc{dong2025youtugraphrag,\n      title={Youtu-GraphRAG: 垂直统一的代理用于图检索增强型复杂推理}, \n      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},\n      year={2025},\n      eprint={2508.19855},\n      archivePrefix={arXiv},\n      url={https:\u002F\u002Farxiv.org\u002Fabs\u002F2508.19855}, \n}\n```","# Youtu-GraphRAG 快速上手指南\n\nYoutu-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。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**: Linux 或 macOS (Windows 用户建议使用 WSL2 或 Docker)\n*   **推荐部署方式**: **Docker** (环境隔离，依赖预装，最稳定)\n*   **本地部署要求**:\n    *   Python >= 3.10\n    *   Git\n    *   pip (Python 包管理工具)\n*   **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\u002FOllama 等)。\n\n## 安装步骤\n\n您可以选择 **Docker 部署**（推荐）或 **本地源码部署**。\n\n### 方案一：Docker 部署（推荐）\n\n此方法无需手动配置 Python 环境，适合快速体验。\n\n1.  **克隆项目代码**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002FTencentCloudADP\u002Fyoutu-graphrag\n    cd youtu-graphrag\n    ```\n\n2.  **配置环境变量**\n    复制示例配置文件并编辑您的 LLM API 信息：\n    ```bash\n    cp .env.example .env\n    ```\n    *编辑 `.env` 文件，填入您的 API 配置（以 DeepSeek 为例）：*\n    ```text\n    LLM_MODEL=deepseek-chat\n    LLM_BASE_URL=https:\u002F\u002Fapi.deepseek.com\n    LLM_API_KEY=sk-xxxxxx\n    ```\n\n3.  **构建并运行镜像**\n    ```bash\n    # 构建镜像\n    docker build -t youtu_graphrag:v1 .\n\n    # 启动服务 (映射端口 8000)\n    docker run -d -p 8000:8000 youtu_graphrag:v1\n    ```\n\n### 方案二：本地源码部署\n\n如果您需要修改源码或进行二次开发，请使用此方法。\n\n1.  **克隆项目代码**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002FTencentCloudADP\u002Fyoutu-graphrag\n    cd youtu-graphrag\n    ```\n\n2.  **配置环境变量**\n    ```bash\n    cp .env.example .env\n    # 请同样编辑 .env 文件，配置您的 LLM_MODEL, LLM_BASE_URL 和 LLM_API_KEY\n    ```\n\n3.  **安装依赖**\n    执行官方提供的脚本来安装 Python 依赖及 Web 前端依赖：\n    ```bash\n    chmod +x setup_env.sh\n    .\u002Fsetup_env.sh\n    ```\n    *(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:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`)*\n\n4.  **启动服务**\n    ```bash\n    chmod +x start.sh\n    .\u002Fstart.sh\n    ```\n\n## 基本使用\n\n服务启动后，您可以通过以下方式体验核心功能：\n\n### 1. 访问 Web 交互界面\n打开浏览器访问：\n```text\nhttp:\u002F\u002Flocalhost:8000\n```\n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）。\n\n### 2. API 调用测试\n您也可以直接通过命令行验证服务是否正常运行：\n\n```bash\ncurl -v http:\u002F\u002Flocalhost:8000\n```\n\n### 3. 核心工作流说明\n*   **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。\n*   **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。\n*   **结果查看**: 生成的图谱数据存储在 `output\u002Fgraphs\u002F` 目录，支持导入 Neo4j 进行可视化分析；日志文件位于 `output\u002Flogs\u002F`。\n\n> **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。","某大型金融风控团队需要基于海量非结构化研报、新闻和内部合规文档，快速回答涉及多层股权穿透和关联风险传导的复杂查询。\n\n### 没有 youtu-graphrag 时\n- **推理链条断裂**：面对“某公司实控人通过三层子公司间接持有的风险敞口”这类多跳问题，传统 RAG 只能检索片段，无法自动串联分散在不同文档中的实体关系，导致回答支离破碎。\n- **幻觉与事实错误**：模型在缺乏结构化约束下强行推理，经常编造不存在的股权关系或混淆相似实体名称，合规审核成本极高。\n- **领域适配困难**：每当新增医疗或新能源等垂直领域的分析需求，都需要重新训练模型或手动构建大量规则，耗时数周且难以复用。\n- **Token 消耗巨大**：为了弥补检索精度不足，不得不将大量无关文档上下文填入提示词，导致单次查询成本高昂且响应缓慢。\n\n### 使用 youtu-graphrag 后\n- **精准多跳推理**：利用其模式引导的分层知识树，系统能自动构建“实体 - 关系 - 属性”图谱，精准追踪多层股权穿透路径，直接生成逻辑严密的结论。\n- **事实可信度提升**：通过双重感知社区检测算法，将相关实体聚合为紧密社区，显著减少跨域干扰，使复杂推理的准确率大幅提升，基本消除关键事实幻觉。\n- **无缝领域迁移**：仅需微调顶层图模式（Schema）定义，即可在几天内将金融风控能力平滑迁移至供应链溯源等新场景，无需大规模重训。\n- **降本增效显著**：凭借更精准的图检索机制，大幅减少了不必要的上下文输入，在提升回答质量的同时，降低了约 30% 的 Token 消耗并加快了响应速度。\n\nyoutu-graphrag 通过将非结构化数据转化为可推理的垂直统一智能体，让复杂的多跳知识查询变得既精准又高效。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTencentCloudADP_youtu-graphrag_ea322181.png","TencentCloudADP","Tencent Cloud ADP","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FTencentCloudADP_6a9e93e3.png","Tencent Cloud Agent Development Platform, Build With Ease, Proven to Deliver.",null,"adp_support@tencent.com","https:\u002F\u002Fwww.tencentcloud.com\u002Fproducts\u002Ftcadp","https:\u002F\u002Fgithub.com\u002FTencentCloudADP",[84,88,92,96],{"name":85,"color":86,"percentage":87},"Python","#3572A5",75.1,{"name":89,"color":90,"percentage":91},"HTML","#e34c26",21.9,{"name":93,"color":94,"percentage":95},"Shell","#89e051",2.9,{"name":97,"color":98,"percentage":99},"Dockerfile","#384d54",0.2,1124,170,"2026-04-03T18:30:53","NOASSERTION","Linux, macOS, Windows","未说明 (依赖配置的 LLM API，本地无明确 GPU 要求)","未说明",{"notes":108,"python":109,"dependencies":110},"推荐使用 Docker 部署；需配置 .env 文件以连接兼容 OpenAI 格式的 LLM API（如 DeepSeek）；主要依赖外部 API 进行推理，本地主要运行代理逻辑和图处理；可通过 setup_env.sh 安装 Web 依赖。","3.10+",[111],"未说明 (详见 requirements.txt)",[51,26,13,15],[114,115,116,117,118],"agent","graph","graphrag","llm","rag","2026-03-27T02:49:30.150509","2026-04-06T08:17:41.019419",[122,127,132,137,142,146],{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},13893,"运行 Demo 查询时报错 'str' object has no attribute 'get'，或者使用 Qwen\u002FGLM 模型时解析失败怎么办？","该问题通常是因为部分大语言模型（如 Qwen-max）未能正确理解 Prompt 中的指令，导致返回结果解析错误。维护者已通过修改 Prompt 使输出指令更明确来修复此问题（参见 PR #74）。建议拉取最新代码重试。如果问题依旧，目前已知 DeepSeek-chat 模型兼容性较好，而 Qwen\u002FGLM 可能需要大量代码修改才能适配，建议优先尝试更换为 DeepSeek-chat 模型。","https:\u002F\u002Fgithub.com\u002FTencentCloudADP\u002Fyoutu-graphrag\u002Fissues\u002F35",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},13894,"上传文件点击构建无反应或后台报错，提示找不到 sentence-transformers 模型，如何解决？","日志显示程序已完成图谱构建阶段并进入检索阶段，但可能因文档格式特殊导致部分解析失败。请检查上传文档的格式和内容是否正常。此外，项目默认使用 agent 模式以换取更高准确率，这会消耗更多 Token；若希望减少 Token 消耗并提高检索速度，可切换至 noagent 模式。注意该项目并不强制依赖 deepseek-r1 推理模型，使用该模型会显著增加时间和 Token 消耗。","https:\u002F\u002Fgithub.com\u002FTencentCloudADP\u002Fyoutu-graphrag\u002Fissues\u002F8",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},13895,"在使用非默认嵌入模型（维度不为 384）时，dim_transform 投影矩阵在重启后是否保持一致？会影响检索吗？","这是一个已知的设计缺陷。如果在本地预计算并存储了嵌入向量（如节点、关系或片段嵌入），当项目重启并重新初始化 DualFAISSRetriever 时，由于 dim_transform 投影矩阵是随机初始化的且未保存权重，会导致新的查询嵌入投影到不同的空间，从而与预计算的图谱嵌入不匹配。目前端到端实验中未暴露此问题，但在分离式部署或重启场景中确实存在一致性风险，需注意避免在未固定权重的情况下混用预计算嵌入。","https:\u002F\u002Fgithub.com\u002FTencentCloudADP\u002Fyoutu-graphrag\u002Fissues\u002F22",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},13896,"查询速度非常慢且消耗大量 Token，甚至超出大模型上限，有什么优化建议？","在 no-agent 模式下，主流数据集（如 HotpotQA, MuSiQue, 2Wiki）的平均检索时间均在 1 秒以内（分别为 0.71s, 0.64s, 0.68s）。如果您感觉检索极慢，请确认是否正处于首次构建 Faiss 索引的阶段，该过程耗时较长属于正常现象。一旦索引构建完成，后续检索速度会显著提升。建议区分“索引构建期”和“正式检索期”，并确保在索引完成后进行测试。","https:\u002F\u002Fgithub.com\u002FTencentCloudADP\u002Fyoutu-graphrag\u002Fissues\u002F18",{"id":143,"question_zh":144,"answer_zh":145,"source_url":131},13897,"项目是否支持自定义三元组抽取类型，还是只能运行预设的 Demo？","该项目不仅仅是为了运行 Demo，其核心特性是支持开放模式（open schema），允许用户自定义三元组抽取的类型。文档可能未清晰传达这一点，后续将改进文档以突出此概念。用户可以根据自身需求定义特定的实体和关系类型进行知识图谱构建。",{"id":147,"question_zh":148,"answer_zh":149,"source_url":131},13898,"上传的文档中有一部分解析失败，可能是什么原因导致的？","根据日志分析，如果多份文档中仅有一份失败，通常是由该文档的特殊格式或独特内容引起的。建议单独检查该失败文档的文件格式（如 PDF 编码、表格结构等）及内容是否存在异常字符或无法解析的布局，修正后重新上传尝试。",[151,156,160],{"id":152,"version":153,"summary_zh":154,"released_at":155},72865,"v0.2.1","## 变更内容\n* 功能：在前端添加中文语言选项，由 @shen-baise 在 https:\u002F\u002Fgithub.com\u002FTencentCloudADP\u002Fyoutu-graphrag\u002Fpull\u002F89 中实现。\n* 功能：在前端实现动态检索展示，由 @siyuan-youtu 在 https:\u002F\u002Fgithub.com\u002FTencentCloudADP\u002Fyoutu-graphrag\u002Fpull\u002F97 中实现。\n* 上传编码检测，由 @siyuan-youtu 在 https:\u002F\u002Fgithub.com\u002FTencentCloudADP\u002Fyoutu-graphrag\u002Fpull\u002F101 中实现。\n* 修复：为 schema 文件添加 UTF-8 编码，由 @siyuan-youtu 在 https:\u002F\u002Fgithub.com\u002FTencentCloudADP\u002Fyoutu-graphrag\u002Fpull\u002F102 中实现。\n* 修复：统一构造和推理中的 noagent 设置，由 @siyuan-youtu 在 https:\u002F\u002Fgithub.com\u002FTencentCloudADP\u002Fyoutu-graphrag\u002Fpull\u002F104 中实现。\n* 文档：mac 环境配置，由 @lybtt 在 https:\u002F\u002Fgithub.com\u002FTencentCloudADP\u002Fyoutu-graphrag\u002Fpull\u002F130 中完成。\n* 添加多种文档格式解析器，由 @siyuan-youtu 在 https:\u002F\u002Fgithub.com\u002FTencentCloudADP\u002Fyoutu-graphrag\u002Fpull\u002F135 中实现。\n* 功能：fit_doc_format，由 @siyuan-youtu 在 https:\u002F\u002Fgithub.com\u002FTencentCloudADP\u002Fyoutu-graphrag\u002Fpull\u002F137 中实现。\n* 功能：增加文档解析支持，由 @siyuan-youtu 在 https:\u002F\u002Fgithub.com\u002FTencentCloudADP\u002Fyoutu-graphrag\u002Fpull\u002F141 中实现。\n* 功能：添加 Java 安装步骤，由 @siyuan-youtu 在 https:\u002F\u002Fgithub.com\u002FTencentCloudADP\u002Fyoutu-graphrag\u002Fpull\u002F143 中实现。\n\n## 新贡献者\n* @shen-baise 在 https:\u002F\u002Fgithub.com\u002FTencentCloudADP\u002Fyoutu-graphrag\u002Fpull\u002F89 中完成了首次贡献。\n* @lybtt 在 https:\u002F\u002Fgithub.com\u002FTencentCloudADP\u002Fyoutu-graphrag\u002Fpull\u002F130 中完成了首次贡献。\n\n**完整变更日志**：https:\u002F\u002Fgithub.com\u002FTencentCloudADP\u002Fyoutu-graphrag\u002Fcompare\u002Fv0.2.0...v0.2.1","2026-02-26T12:40:13",{"id":157,"version":158,"summary_zh":79,"released_at":159},72866,"v0.2.0","2025-09-23T09:00:12",{"id":161,"version":162,"summary_zh":163,"released_at":164},72867,"v0.1.1","修复了因 API 硬编码而导致远程访问和缓存无法正常工作的问题。\n新增 Web 界面功能，支持上传 Schema。","2025-09-17T14:03:11"]