轻量级知识图谱 RAG 框架与服务,将文档构建为实体关系图谱,用于增强 LLM 问答。
bibinprathap/VeritasGraph
开源 GraphRAG 与智能体框架,基于知识图谱做多跳推理并附带引用溯源,可本地或云端运行。
- Star
- 326
- Fork
- 39
- 未关闭 Issue
- 2
- 最近提交
- 昨天
这是什么?
VeritasGraph 会从你的文档构建知识图谱,通过遍历实体之间的关系回答问题,而不只是按文本相似度做匹配。每个回答都关联 [doc#chunk] 形式的来源引用,图谱证据不足时会返回“证据不足”。
项目提供可通过 pip 安装的 Python 包,包含命令行工具、用于 PDF 导入和查询的 Python API,以及一个 MCP 服务器,可让 Claude Desktop、Cursor 等 IDE 智能体调用入库和查询工具。本地 Studio 工作台(基于 FastAPI)支持构建图谱、配置带工具、记忆、护栏和 PII 脱敏的智能体,并能查看流水线每个阶段的执行过程。模型可通过 Ollama 或任何兼容 OpenAI 接口的服务提供。
仓库还包含若干领域示例,如带去标识化和 ICD-10、RxNorm、SNOMED、LOINC 编码归一化的临床知识图谱、市政事件报告聊天机器人,以及基于规则的政策合规推理引擎 VeritasReason。
核心功能
- 01基于知识图谱的多跳问答,回答附带 [doc#chunk] 引用。
- 02结合文档层级目录导航与图谱检索。
- 03提供 MCP 服务器,让 IDE 智能体调用入库和查询工具。
- 04本地 Studio 工作台,可构建图谱并配置带护栏和记忆的智能体。
- 05支持 Ollama 及任何兼容 OpenAI 接口的模型服务。
- 06基于 PyVis 的交互式实体关系图可视化。
适用场景
- 基于内部文档回答需要串联多条事实的问题。
- 使用本地 Ollama 模型,在本地完整部署文档问答或智能体。
- 将 Cursor、Claude Desktop 等 IDE 助手接入私有知识图谱。
- 基于结构化记录原型化合规或政策检查流程。
快速上手
- 1
从 PyPI 安装软件包
pip install veritasgraph - 2
以 lite 模式运行交互式演示(需要云端 API 密钥,例如 OPENAI_API_KEY)
veritasgraph demo --mode=lite - 3
使用 Ollama 完全离线运行(需要 Ollama 和约 8GB 内存)
veritasgraph demo --mode=local --model=llama3.2
使用前须知
- 快速演示需要付费的 OpenAI 或 Anthropic API 密钥。
- 离线模式需要本地安装 Ollama,并且约需 8GB 内存。
- 完整流程需要 Docker 和 Neo4j 数据库。
收录于专题
标签
常见问题
- VeritasGraph 是什么?
- 开源 GraphRAG 与智能体框架,基于知识图谱做多跳推理并附带引用溯源,可本地或云端运行。 VeritasGraph 会从你的文档构建知识图谱,通过遍历实体之间的关系回答问题,而不只是按文本相似度做匹配。每个回答都关联 [doc#chunk] 形式的来源引用,图谱证据不足时会返回“证据不足”。
- VeritasGraph 可以免费使用吗?用的什么许可证?
- VeritasGraph 以 MIT 许可证开源。用于商业产品前,请先确认许可证条款。
- VeritasGraph 还在维护吗?
- 活跃维护中。VeritasGraph 最近一次提交是在 2026年11月6日。
- VeritasGraph 适合用来做什么?
- 基于内部文档回答需要串联多条事实的问题。 使用本地 Ollama 模型,在本地完整部署文档问答或智能体。 将 Cursor、Claude Desktop 等 IDE 助手接入私有知识图谱。 基于结构化记录原型化合规或政策检查流程。
- VeritasGraph 怎么安装和运行?
- 从 PyPI 安装软件包: pip install veritasgraph 以 lite 模式运行交互式演示(需要云端 API 密钥,例如 OPENAI_API_KEY): veritasgraph demo --mode=lite 使用 Ollama 完全离线运行(需要 Ollama 和约 8GB 内存): veritasgraph demo --mode=local --model=llama3.2
- 在哪里获取 VeritasGraph?
- 源代码和安装说明在 GitHub 上:https://github.com/bibinprathap/VeritasGraph
概要由 AI 根据项目 README 生成;GitHub 数据每日更新。
相关项目
利用大语言模型把 PDF、文档、视频和网页等非结构化数据转换为存储在 Neo4j 中的知识图谱。
Neo4j 官方 Python 包,用于结合 Neo4j 图数据库与大模型构建 GraphRAG 应用。
基于 FalkorDB 的 Python GraphRAG SDK,用知识图谱为 LLM 问答检索关联上下文并保留来源溯源。
基于 LangGraph 构建的模块化 Agentic RAG 教程与项目,支持层级索引、对话记忆和查询澄清。
用 Rust 实现的代码知识图谱工具,通过 MCP 为编程智能体提供语义搜索和代码分析能力。