Um framework leve de RAG com grafo de conhecimento e servidor que indexa documentos como entidades e relações para gerar respostas de LLM com recuperação de informações.
bibinprathap/VeritasGraph
Framework open source de GraphRAG e agentes que responde a perguntas com múltiplos saltos sobre um grafo de conhecimento, com citações, localmente via Ollama ou na nuvem.
- Estrelas
- 326
- Forks
- 39
- Issues abertas
- 2
- Último commit
- anteontem
O que é?
O VeritasGraph cria um grafo de conhecimento a partir dos seus documentos e responde a perguntas percorrendo as relações entre entidades, em vez de apenas encontrar textos semelhantes. Cada resposta inclui citações das fontes no formato [doc#chunk], e o projeto afirma que se abstém de responder, indicando “evidências insuficientes”, quando o grafo não oferece suporte à resposta.
O projeto oferece um pacote Python instalável via pip com uma CLI, uma API Python para ingestão e consulta de PDFs e um servidor MCP que disponibiliza ferramentas de ingestão e consulta para agentes de IDE, como Claude Desktop e Cursor. Um ambiente web local do Studio (FastAPI) permite criar grafos, configurar agentes com ferramentas, memória, guardrails e redação de PII, além de inspecionar cada etapa do pipeline. Os modelos podem ser executados pelo Ollama ou por qualquer provedor compatível com OpenAI.
O repositório também inclui exemplos de domínio: um grafo de conhecimento clínico com desidentificação e normalização de ICD-10/RxNorm/SNOMED/LOINC, um chatbot de ocorrências municipais e o VeritasReason, um mecanismo baseado em regras para verificações de conformidade com políticas.
Recursos principais
- 01Respostas a perguntas com múltiplos saltos sobre um grafo de conhecimento, com citações no formato [doc#chunk].
- 02Navegação hierárquica em árvore pela estrutura dos documentos, combinada com busca no grafo.
- 03Servidor MCP que disponibiliza ferramentas de ingestão e consulta para agentes de IDE.
- 04Ambiente local do Studio para criar grafos e agentes governados com guardrails e memória.
- 05Compatível com Ollama e qualquer provedor de modelos compatível com OpenAI.
- 06Visualização interativa de grafos com PyVis, mostrando entidades e relações.
Casos de uso
- Responder a perguntas sobre documentos internos quando a resposta depende das conexões entre os fatos.
- Executar uma solução de perguntas e respostas sobre documentos ou de agentes inteiramente on-premise, usando um modelo local do Ollama.
- Conectar um assistente de IDE, como Cursor ou Claude Desktop, a um grafo de conhecimento privado.
- Prototipar fluxos de trabalho de conformidade ou verificação de políticas com base em registros estruturados.
Início rápido
- 1
Instale o pacote pelo PyPI
pip install veritasgraph - 2
Execute a demonstração interativa no modo lite (precisa de uma chave de API na nuvem, como OPENAI_API_KEY)
veritasgraph demo --mode=lite - 3
Execute totalmente offline com o Ollama (precisa do Ollama e de cerca de 8 GB de RAM)
veritasgraph demo --mode=local --model=llama3.2
Antes de usar
- A demonstração rápida precisa de uma chave de API paga da OpenAI ou da Anthropic.
- O modo offline precisa de uma instalação local do Ollama e de aproximadamente 8 GB de RAM.
- O pipeline completo requer Docker e um banco de dados Neo4j.
Em coleções
Tópicos
Perguntas frequentes
- O que é VeritasGraph?
- Framework open source de GraphRAG e agentes que responde a perguntas com múltiplos saltos sobre um grafo de conhecimento, com citações, localmente via Ollama ou na nuvem. O VeritasGraph cria um grafo de conhecimento a partir dos seus documentos e responde a perguntas percorrendo as relações entre entidades, em vez de apenas encontrar textos semelhantes. Cada resposta inclui citações das fontes no formato [doc#chunk], e o projeto afirma que se abstém de responder, indicando “evidências insuficientes”, quando o grafo não oferece suporte à resposta.
- VeritasGraph é gratuito? Qual é a licença?
- VeritasGraph é open source sob a licença MIT. Confira os termos da licença antes de usá-lo em produtos comerciais.
- VeritasGraph ainda é mantido?
- Manutenção ativa. O último commit de VeritasGraph foi em 6 de nov. de 2026.
- Para que posso usar VeritasGraph?
- Responder a perguntas sobre documentos internos quando a resposta depende das conexões entre os fatos. Executar uma solução de perguntas e respostas sobre documentos ou de agentes inteiramente on-premise, usando um modelo local do Ollama. Conectar um assistente de IDE, como Cursor ou Claude Desktop, a um grafo de conhecimento privado. Prototipar fluxos de trabalho de conformidade ou verificação de políticas com base em registros estruturados.
- Como instalar VeritasGraph?
- Instale o pacote pelo PyPI: pip install veritasgraph Execute a demonstração interativa no modo lite (precisa de uma chave de API na nuvem, como OPENAI_API_KEY): veritasgraph demo --mode=lite Execute totalmente offline com o Ollama (precisa do Ollama e de cerca de 8 GB de RAM): veritasgraph demo --mode=local --model=llama3.2
- Onde consigo VeritasGraph?
- O código-fonte e as instruções de instalação estão no GitHub: https://github.com/bibinprathap/VeritasGraph
Resumo gerado por IA a partir do README do projeto. As estatísticas do GitHub são atualizadas diariamente.
Projetos relacionados
Aplicação web que usa LLMs e LangChain para transformar PDFs, documentos, vídeos e páginas da web em um grafo de conhecimento armazenado no Neo4j.
Pacote Python oficial da Neo4j para criar aplicações GraphRAG que combinam bancos de dados de grafos Neo4j, LLMs e busca vetorial.
SDK Python para criar apps GraphRAG no FalkorDB, usando um grafo de conhecimento para recuperar contexto relacionado para respostas de LLM com rastreabilidade das fontes.
Tutorial modular de Agentic RAG com LangGraph, com indexação hierárquica, memória de conversa e esclarecimento de consultas.
Ferramenta em Rust que cria um grafo semântico da base de código e oferece ferramentas de análise agentic a agentes de programação via MCP.