把文档变成知识图谱，让AI回答全局性问题更准
GraphRAG 是一个基于图的检索增强生成（RAG）系统，由微软开源。它通过构建知识图谱来增强大语言模型的问答能力，解决传统向量检索在全局性、多跳推理问题上的不足。其核心能力包括：从文档中自动提取实体和关系，构建层次化知识图谱；支持社区检测与摘要，实现全局性问题（如“数据集中的主要主题是什么”）的概括回答；提供局部检索与全局搜索两种模式，兼顾精确事实查询和主题综述。系统采用模块化设计，便于定制索引、检索和生成流程，并支持多种LLM后端。GraphRAG 特别适合处理复杂文档集合、需要跨文档关联分析的场景，能显著提升问答的准确性和可解释性。
⚠ 该项目 README 未提供完整安装说明，以下步骤为通用流程，请以官方文档为准。
1准备 Python 环境
项目为 Python 项目，且包发布在 PyPI，请先确认本机 Python 与 pip 可用。README 未给出版本要求。
python --version2安装 graphrag 包
README 中的 PyPI 徽章指向 graphrag 包，可用 pip 从 PyPI 安装。README 未给出其他安装方式。
pip install graphrag3查阅官方快速入门
README 明确建议使用官方文档的 command line quickstart，按其指引完成初始化与索引，勿凭猜测执行命令。
4准备 LLM 配置
README 说明可支持多种 LLM 后端，需自行准备模型服务凭据；具体配置项名称与写法以官方文档为准。
README 未提供验证方式，建议按官方 CLI quickstart 文档跑通示例流程来确认安装与配置成功。
Q：项目还在持续加入新功能吗？
A：README 声明项目已基本进入维护模式，不再接受新 PR 或实现新功能，仅按需修复 bug 和更新依赖（尤其是安全 CVE）。
Q：如何快速上手 GraphRAG？
A：README 推荐使用官方文档的 command line quickstart，地址为 https://microsoft.github.io/graphrag/get_started/ 。
Q：支持哪些大模型后端？
A：README 只说明支持多种 LLM 后端（技术栈含 GPT-4），具体支持列表与配置方式请查阅官方文档。
LlamaIndex、LangChain、LightRAG
graphrag 是搜索知识领域的开源项目，由 microsoft 开发，2024 年首次发布。
在全站 13,014 个收录项目中，它的 GitHub 星标数（36,070）位列前 1%，在搜索知识分类的 581 个项目里位列前 3%。
近 44 天，它的 GitHub 星标从 35,355 增加到 36,070，净增 715。
项目目前处于活跃维护状态，最近一次代码更新于 2026-09-22。MIT许可证，完全免费，可自行部署使用。
它主要面向的使用场景是：企业知识库问答，需跨文档综合归纳。同类可对比的替代方案包括 LlamaIndex、LangChain、LightRAG。
firecrawl
开源
网页抓取像喝水一样简单，开发者省下整周加班
The web data API to search, scrape, and interact at scale.
contoso-chat
开源
一键跑通 Azure RAG 应用，从代码到评估部署全流程
This sample has the full End2End process of creating RAG application with Prompty an···
graphify
开源
整个代码库画成一张图，找问题一眼定位
Turn any codebase, with its docs, SQL schemas, configs, and PDFs, into a queryable k···
ragflow
开源
让大模型用上你的私有知识，搭建可靠的企业级RAG应用
RAGFlow is a leading open-source Retrieval-Augmented Generation (RAG) engine that fu···