Agentic GraphRAG

一个基于 Knowledge Graph + Vector Retrieval + Multi-Agent 的 Agentic GraphRAG 问答系统。

项目实现了完整的 Agent Workflow，包括：

• Planner（任务规划）
• Query Rewrite（查询改写）
• Retriever（知识图谱 + 向量联合检索）
• Context Filter（上下文过滤）
• Judge（结果判断）
• Self-RAG（检索增强）
• Answer Generator（答案生成）

相比传统 GraphRAG，能够完成更复杂的多跳推理、多条件交集推理以及开放式总结任务。

---

项目结构

AgenticGraphRAG
│
├── Agents/                     # Agent模块
│   ├── planner_agent.py
│   ├── query_rewrite_agent.py
│   ├── context_filter_agent.py
│   ├── judge_agent.py
│   ├── self_rag_agent.py
│   └── answer_agent.py
│
├── Benchmark/                  # Benchmark测试集
│   ├── benchmark_v1.json
│   ├── benchmark_v2.json
│   ├── benchmark_v3.json
│   ├── benchmark_v4.json
│   └── benchmark_test.json
│
├── DataBase/
│   ├── GraphData/
│   │   └── create_graph_knowledge.py
│   ├── config.py
│   └── prompt_utils.py
│
├── Models/
│   ├── LLM_Models.py
│   ├── Embed_Models.py
│   ├── local_llm.py
│   ├── model_utils.py
│   ├── query_convert.py
│   └── vision_models.py
│
├── Prompts/
│   ├── prompt_entity_extract.py
│   └── prompt_graph.py
│
├── evaluate_agenticgraphrag_v3.py
├── evaluate_graphrag_v3.py
├── main_AgenticGraphRAG_v8.py
├── main_GraphBuild_v2.py
├── main_build_vector_db.py
├── main_GraphRagRetriever_v2.py
├── main_GraphRetriever_v2.py
├── main_RAGRetriever.py
└── main_vector_retriever.py

---

Agent流程

整个系统采用如下工作流程：

---

Benchmark

Benchmark共30道题，覆盖四类知识推理任务：

类型	占比
多跳推理	40%
交集推理	30%
全局总结	20%
枚举问题	10%

---

实验结果

Prompt优化前

方法	Accuracy	平均耗时
GraphRAG	60.00%	1.76 s
Agentic GraphRAG	80.00%	7.82 s

---

Prompt优化后

方法	Accuracy	平均耗时
GraphRAG	66.67%	1.11 s
Agentic GraphRAG	80.00%	6.42 s

Prompt优化后：

• GraphRAG准确率提升 6.67%
• GraphRAG耗时下降 36.9%
• Agentic GraphRAG耗时下降 17.9%
• Entity Extraction耗时约下降 48%

---

Benchmark分析

Agentic GraphRAG在复杂推理任务中具有明显优势：

• 多跳推理稳定完成实体关系链推理
• 多条件交集推理准确率显著高于传统GraphRAG
• 开放式总结能够融合更多检索结果
• 枚举类问题具有更高知识覆盖率

代价是推理时间相较GraphRAG有所增加。

---

环境

Python >= 3.10

安装依赖：

pip install -r requirements.txt

---

运行方式

构建知识图谱

python main_GraphBuild_v2.py

构建向量数据库

python main_build_vector_db.py

运行GraphRAG

python main_GraphRagRetriever_v2.py

运行Agentic GraphRAG

python main_AgenticGraphRAG_v8.py

运行Benchmark

python evaluate_graphrag_v3.py

python evaluate_agenticgraphrag_v3.py

---

后续工作

目前系统仍有进一步优化空间，包括：

• 更高质量的实体抽取
• 更精细的Retriever排序策略
• Agent工具调用优化
• 多Agent协同策略
• 更大规模Benchmark测试

---

参考项目

本项目基于多个优秀的开源项目实现。一些模块根据本工作的需要进行了适配和扩展。

Knowledge Graph

SMARTGRAPHQA

https://github.com/tangjun1878/SMARTGRAPHQA

Mainly referenced for:

• Knowledge graph construction
• Graph retrieval pipeline
• Neo4j-based retrieval framework

RAG

All-in-RAG

https://github.com/datawhalechina/all-in-rag

Mainly referenced for:

• Vector retrieval pipeline
• RAG workflow implementation

Agent Workflow

LangGraph

https://github.com/langchain-ai/langgraph

Referenced for the design philosophy of multi-agent workflow and iterative reasoning.

感谢开源社区的贡献。