autoflow

用图谱增强的RAG，让知识库问答更聪明

autoflow 是 PingCAP 开源的基于 Graph RAG 的对话式知识库工具，利用 TiDB Serverless 的向量存储能力，将知识库管理与智能问答结合。它解决传统 RAG 在复杂知识关联和推理上的不足，通过构建知识图谱增强上下文理解，支持多轮对话和链式思考（CoT），提供可部署的聊天机器人方案。核心能力包括：自动从文档中抽取实体和关系构建知识图谱，结合向量检索实现混合召回，并基于图谱进行多跳推理，提升回答准确性和可解释性。项目采用 TypeScript 编写，技术栈涵盖 MySQL、向量数据库、Serverless 等，适合快速搭建企业级知识问答应用。

开源 unknown 对话助手

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 2974

维护状态低维护

是否开源是

定价模式 unknown

项目数据

分类对话助手

开发团队pingcap

所属国家

官网地址https://tidb.ai

GitHubhttps://github.com/pingcap/autoflow

定价模式unknown

价格说明定价信息待确认

访问状态

是否开源是

开源协议Apache-2.0

主要语言TypeScript

技术栈/模型chatbot,cot,graphrag,knowledge-graph,mysql,rag,serverless,vector-database

GitHub 星标★ 2974

30天Star增速

HF 下载量

上线时间2024-02-05 00:00:00

最近更新2026-09-23 00:00:00

维护状态低维护

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数2

使用教程

难度：入门约 20 分钟部署方式：Docker 5 步

⚠ 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。

环境要求

4 核 CPU
8GB 内存
已安装 Docker 与 Docker Compose（README 指定用 Docker Compose 部署）
TiDB Serverless 账号，用于提供向量存储能力（项目基于 TiDB Vector 构建）

安装与启动步骤

1确认机器资源

官方推荐 Docker Compose 部署至少 4 核 CPU、8GB 内存，先确认本机满足再开始。
```
docker --version
```
2安装 Docker Compose

README 只给出 Docker Compose 部署方式，未装 Docker 请先装好并确认 compose 子命令可用。
```
docker compose version
```
3获取项目源码

从 GitHub 克隆仓库到本地，后续按官方部署文档启动服务。
```
git clone https://github.com/pingcap/autoflow.git
```
4按官方文档部署

README 未给出具体 compose 命令与配置，请打开官方部署文档按步骤执行，不要自行猜测参数。
5先体验线上示例

部署前可先访问官方 Demo 了解对话式知识库与图谱问答的交互效果。

如何确认成功

按官方部署文档启动容器后，浏览器打开文档中给出的本地访问地址进入对话页；也可先用官方 Demo https://tidb.ai 确认功能是否符合预期。

常见问题

Q：部署需要什么硬件配置？

A：README 的 Docker Compose 部署说明中明确要求 4 核 CPU 和 8GB 内存，低于该配置可能启动失败或运行缓慢。

Q：可以用 pip 安装吗？

A：目前不能。README 提示项目仍在早期阶段，后续计划打包成 pip install autoflow-ai 的形式，现阶段请用 Docker Compose 部署。

Q：具体启动命令和配置项在哪里看？

A：见官方部署文档 https://autoflow.tidb.ai/deploy-with-docker，README 本身没有列出安装命令、端口和配置文件。

Q：遇到问题去哪里求助？

A：到 GitHub Discussions（https://github.com/pingcap/autoflow/discussions）提问，或在官方 Demo 对应仓库提 issue。

注意事项

项目仍处于早期开发阶段，接口和部署方式可能随时变化，请以官方文档为准。
Autoflow 基于 TiDB Vector、LlamaIndex 和 DSPy 构建，向量存储依赖 TiDB 相关服务。
线上 Demo 地址为 https://tidb.ai，可先体验再决定是否自部署。
README 节选中未提供端口、配置文件和环境变量信息，切勿凭猜测填写。

核心亮点

Graph RAG 混合检索，结合向量和图谱提升回答准确率
基于 TiDB Serverless，免运维且支持弹性扩展
内置 CoT 推理，复杂问题回答更符合逻辑

不足之处

依赖 TiDB Serverless，迁移到其他数据库成本较高
文档和社区生态仍在成长，示例和最佳实践有限

适用场景

企业知识库智能问答助手
技术文档和产品手册的对话式检索
需要多跳推理的复杂问题解答场景

替代项目

LangChain、LlamaIndex、FastGPT

项目介绍

autoflow 是搜索知识领域的开源项目，由 pingcap 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（2,974）位列前 30%，在搜索知识分类的 581 个项目里位列前 15%。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-09-23。从国内网络环境看，可直接访问。

它主要面向的使用场景是：企业知识库智能问答助手。同类可对比的替代方案包括 LangChain、LlamaIndex、FastGPT。

上一篇：bRAG-langchain

下一篇：WikiChat