微软/蚂蚁/港大GraphRAG项目大比拼（非常详细），开源框架选型从入门到精通，收藏这一篇就够了！

Python_金钱豹 Python_金钱豹 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 400+累计阅读 449平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄5年
关注
原创 最新推荐文章于 2026-10-31 15:56:14 发布 449 阅读 AI 写同款· GEO 优化 ›
2025年GitHub上十大RAG框架深度解析：从技术原理到实战应用 RAG（Retrieval-Augmented Generation）技术通过动态检索外部知识来增强大型语言模型（LLMs）的生成能力，解决了传统LLMs知识截止和“幻觉”风险的问题。其核心流程包括检索、融合和生成，显著提升了生成内容的准确性和可解释性。RAG技术在金融、医疗、电商等领域展现出巨大实用价值，成为构建下一代智能应用的核心技术底座。2025年GitHub上十大RAG框架包括Haystack、RAGFlow、txtai、STORM、LLM-App、Cognita、R2R、Neurite、Flash 阅读详情

在LLM的应用落地进程中，RAG技术已成为解决模型幻觉、提升垂直领域专业性的重要手段。然而，传统的RAG系统在以下场景会表现出明显的局限性: ① 处理需要跨文档合成信息; ② 理解全局主题; ③ 执行复杂多跳推理的任务时。

简单来说，传统RAG无法有效连接分散的知识点，以及在大型数据集上缺乏宏观理解能力。为了应对这些挑战，学术界与工业界共同推动了知识图谱与RAG技术的深度融合，催生了GraphRAG这一全新的技术范式。GraphRAG的核心思想：通过将非结构化文本转化为结构化的实体、关系与社区节点，构建起一个多层次的知识网络，从而使 LLM 能够从宏观与微观两个维度深入理解私有知识库。

本篇将对当前开源社区内关注度最高、技术路线最具代表性的GraphRAG项目进行全方位解析，深入剖析其技术架构、核心特性、适用场景，并为企业及开发者提供严谨的选型战略建议。

项目Star类型成熟度
Microsoft GraphRAG31k+Graph-based RAG框架⭐⭐⭐⭐⭐
LightRAG29k+图结构RAG框架⭐⭐⭐⭐
NebulaGraph12k+企业级分布式图数据库⭐⭐⭐⭐⭐
KAG (OpenSPG)8k+知识图谱推理RAG⭐⭐⭐⭐
Yuxi-Know4k+KG + RAG QA系统⭐⭐⭐
HippoRAG3k+神经生物学启发RAG⭐⭐⭐

检索范式的变革

GraphRAG的崛起并非偶然，而是检索技术在语义理解深度上的必然演进。传统基于向量检索的RAG将文本切分为孤立的语义碎片，并利用向量模型计算查询与文本块之间的相似度。这种方法在处理「寻找特定细节」的查询时效率极高，但在面对「该数据集的主要关注点是什么」等总结性问题，或需要遍历复杂关系链条的推理问题时，往往因为文本块之间的语义割裂而失效。

知识图谱（Knowledge Graph）的引入为RAG注入了结构化的灵魂。通过从文本中提取实体（Entity）及其相互间的语义关系（Relationship），GraphRAG能够将原本散落在不同文档中的知识点串联起来 。这种从文本块到知识网络的转变，不仅提升了检索的精准度，更赋予了模型在全局层面进行知识概括的能力。目前的开源项目在这一演进路径上各具特色，分别在推理深度、计算效率、逻辑控制及硬件友好度等方面进行了针对性优化。

GraphRAG

  • github: https://github.com/microsoft/graphrag
  • 论文：https://microsoft.github.io/graphrag/

作为目前开源社区Star数最高、最具影响力的项目，微软的GraphRAG为大规模非结构化数据集的结构化理解设定了技术标杆。其核心逻辑在于不仅构建知识图谱，还利用先进的社区检测算法对图谱进行分层总结。

技术路线与核心机制

微软GraphRAG的处理流程展现了极高的系统复杂性。首先，该框架利用LLM自动识别并提取文本中的实体与关系，随后采用Leiden社区检测算法对图谱进行聚类分析。这些聚类后的「社区」构成了知识的层级化结构。LLM随后为每个社区生成摘要，这些摘要捕捉了该层级下所有节点的核心内容。在检索阶段，GraphRAG提供了两种主要的搜索模式：

  • 全局搜索（Global Search）：专门用于解决总结性问题。通过检索不同层级的社区摘要，系统能够从全局视角整合信息。
  • 局部搜索（Local Search）：侧重于针对特定实体的精细化推理。系统从查询中的核心实体出发，通过扩展检索其关联节点及邻近社区。

此外，项目最新推出的DRIFT Search模式进一步融合了全局与局部搜索的优势，通过动态选择相关社区来优化查询质量。

LightRAG

  • github: https://github.com/HKUDS/LightRAG
  • 论文：https://lightrag.github.io/

针对微软GraphRAG计算开销过大且难以处理动态数据的痛点，香港大学数据科学实验室（HKUDS）推出的LightRAG（HKUDS/LightRAG）通过引入轻量化的索引机制与增量更新逻辑，迅速成为开源界的热门选择。

技术原理与架构优势

LightRAG提出了一种双层检索系统，旨在平衡检索的广度与深度。该系统通过对文本进行分割，利用LLM提取实体与关系构建知识图谱，并为每个节点和边生成键值对进行索引 。其最突出的技术贡献在于增量更新算法：当新文档加入时，系统仅需对新提取的节点和边执行简单的并集操作，而无需重新生成整个图谱 。

此外，LightRAG通过集成RAG-Anything，展现了极强的多模态处理能力，能够无缝解析PDF、Office文档（DOCX/PPTX）、图像、表格及复杂的数学公式 。这种全格式支持使得LightRAG在处理企业内部复杂的非结构化数据时具备天然优势。

KAG

  • github: https://github.com/OpenSPG/KAG
  • 使用文档：https://spg.openkg.cn/en-US
  • 论文：https://arxiv.org/pdf/2409.13731

由蚂蚁集团（Ant Group）与OpenKG联合开发的KAG（OpenSPG/KAG）代表了GraphRAG向逻辑推理与专业领域深化的方向。KAG不再仅仅依赖LLM的自动化提取，而是引入了逻辑形式驱动的检索与推理机制，旨在解决专业领域知识库中的歧义与噪声问题。

技术深度与DIKW知识表示

KAG建立在OpenSPG引擎之上，采用了受DIKW（data, information, knowledge and wisdom）层次结构启发的知识表示框架LLMFriSPG。其架构的核心创新在于：

  • 知识与文本块互索引：实现了图节点与原始文本块的深度锚定。用户可以从图中的逻辑节点直接回溯到最原始的证据文本。
  • 逻辑形式规划器：能够将复杂问题分解为包含规划、推理和检索操作符的步骤链。
  • 知识对齐：通过语义推理对零散提取结果进行标准化处理，识别同义实体，显著减少了噪声。

HippoRAG

  • github: https://github.com/OSU-NLP-Group/HippoRAG
  • 论文1：https://arxiv.org/pdf/2405.14831
  • 论文2：https://arxiv.org/pdf/2502.14802

由俄亥俄州立大学（OSU）NLP组开发的HippoRAG（OSU-NLP-Group/HippoRAG）模仿人类大脑海马体在记忆存储与检索中的作用，构建起一个高度关联的知识记忆模型。

核心机制

HippoRAG将LLM视为负责特征抽象的「新皮层」，将知识图谱与个性化PageRank（PPR）算法结合视为负责索引与检索的「海马体」。检索时，系统从查询中的核心实体出发，利用PPR算法在图谱上进行概率扩散，通过模拟大脑的「模式补全」机制召回深度关联的背景知识。这种方法在单步检索中即可实现复杂的多跳推理，且计算成本远低于迭代检索方案。

Yuxi-Know

  • github: https://github.com/xerrors/Yuxi-Know
  • 网址: https://xerrors.github.io/Yuxi-Know/

Yuxi-Know（xerrors/Yuxi-Know）是一个结合了 LightRAG 知识库与知识图谱的综合性智能体平台，旨在为开发者提供开箱即用的 GUI 管理界面与多功能集成方案。

技术定位与全栈集成

与侧重于底层算法引擎的项目不同，Yuxi-Know致力于将GraphRAG能力转化为可交互的生产力工具。它在底层深度集成了LightRAG作为检索增强引擎，并结合LangChain v1、FastAPI与Vue等主流技术栈。其核心优势在于：

  • 全链路可视化管理：提供了直观的仪表盘统计、知识库可视化、知识图谱关系探索以及模型供应商的配置界面。
  • 多源数据深度解析：原生支持MinerU高性能PDF解析，能够处理复杂的文档结构并转化为图谱数据。
  • 拓展性与协作：支持Skills与MCP拓展管理，具备完善的用户与部门权限控制系统。
  • 自动化采集集成：支持与ScrapeGraphAI等工具配合，实现自动化的网页抓取处理。

NebulaGraph

  • github: https://github.com/vesoft-inc/nebula
  • 网址: https://nebula-graph.io/

对于追求极致扩展性与生产稳定性的企业，分布式开源图数据库NebulaGraph（vesoft-inc/nebula）及其衍生的Fusion GraphRAG提供了万亿级边和顶点的超大规模图处理能力 。其存储计算分离的设计使其能够在高压力生产环境下维持99.999%的高可用性。

核心项目技术特性对比矩阵

维度Microsoft GraphRAGLightRAGKAG (OpenSPG)Yuxi-KnowHippoRAGNebulaGraph
技术重心全局主题总结增量更新与低成本逻辑形式与语义对齐应用集成与可视化管理PPR 联想记忆分布式开源图数据库
交互形态命令行/SDKSDK/API/WebUISDK/API完整 GUI 平台SDK/研究脚本SDK/API/NQL
硬件门槛极高中低中等中等中等中等
多模态支持一般强一般极强 (MinerU/Scrape)一般一般
动态更新弱极强强极强 (继承 LightRAG)一般极强

战略选型建议

寻求开箱即用的企业级GUI平台：Yuxi-Know

如果您的团队需要一个包含用户权限管理、模型配置界面、可视化图谱探索且能直接处理复杂PDF（MinerU）的完整系统，Yuxi-Know是目前最成熟的集成化开源选择之一。它非常适合作为企业内部的知识大脑原型或生产级助手。

初创团队与轻量化 MVP 开发：LightRAG

提供了目前最优的“性价比-速度”平衡点，增量更新特性允许随业务增长无痛扩展 。

大型企业全局分析与趋势扫描：GraphRAG

Leiden社区摘要机制提供了不可替代的全局视野，适合处理高价值、长周期的静态行业调研数据 。

专业领域（医疗、法律）的严谨推理：KAG (OpenSPG)

Schema 约束构建与逻辑形式引导推理能提供可审计的推理路径，满足合规性与严谨性要求 。

万亿级数据规模的生产级部署：NebulaGraph+自定义应用层

应对TB级别以上数据，利用其水平扩展能力和高可用架构支撑底层图检索 。

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

在这里插入图片描述

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

在这里插入图片描述

标签
#microsoft #开源 #人工智能 #大数据 #知识图谱
#langchain #架构
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
万字详解，和你用RAG+LangChain实现chatpdf 本次我们会基于RAG的原理，通过LangChain来实现与pdf文档对话。 阅读详情

相关推荐

GraphRAG开源生态：六大项目同台PK与选型指南

检索增强生成（RAG）通过向量检索有效提升了事实型问答的准确性，但面对跨文档关联、多跳逻辑推理时仍显不足。GraphRAG在大模型与文档之间引入知识图谱结构，将实体和关系显式建模，借助图遍历与社区检测弥补了语义匹配的短板，让模型具备“串联线索找真相”的能力。这一技术在企业知识库问答、文档洞察、复杂关系推理等场景中展现出显著价值。随着开源生态快速演进，微软GraphRAG、港大LightRAG、蚂蚁DB-GPT、neo4j-graphrag、Intel FastRAG等多个主流项目各具特色，覆盖了从轻量验证到

weixin_32678995的博客 299

【亲测免费】 探索Ingopedia：一个开源知识图谱构建平台

是一个基于Python和GraphQL构建的开源知识图谱系统，旨在帮助开发者、数据科学家以及研究人员高效地创建、管理和共享知识图谱。它的目标是提供一个灵活、可扩展且易于使用的工具，让复杂的知识管理变得简单。 ## 技术分析 Ingopedia采用了以下核心技术： 1. **GraphQL**: 使用GraphQL作为查询语言，允许用户以更直观的方式获取所需的数据，提高了API的效率和灵活性。...

gitblog_00024的博客 1814

GraphRAG开源项目横向对比：六大方案与选型指南

RAG（检索增强生成）是目前大模型落地企业知识库的主流技术路径，但传统向量检索在面对跨文档、多跳推理和全局归纳类问题时，常因文本切碎而丢失语义连接。GraphRAG通过将文档内容抽取为实体与关系，构建知识图谱，使模型具备结构化的记忆与关系推理能力。2024年至2025年，微软、港大、蚂蚁集团、Neo4j、NebulaGraph等团队陆续开源了各自的GraphRAG方案，覆盖从轻量原型到企业级图计算的不同层次。面对众多选择，理解索引构建成本、全局搜索模式、增量更新机制及上手难度，是做出技术选型的关键。本文梳理

weixin_33624741的博客 91

让大模型不再胡言乱语！2024 Github 上最不能错过的 5 个开源 RAG 框架

把大模型想象为一位尽职的图书馆管理员，当你每次有疑问的时候，他就会根据你的口述需求，在浩瀚的文本中尽可能的找到最符合你需求的书籍。而一旦图书馆并没有相关藏书，或内容已过时，我们的这位尽职管理员可不会承认自己的无能，一顿输出猛如虎，结果一看全错。RAG 是一层额外的“知识外挂”。好比给这位管理员额外增补了相关领域的知识，这样它回答出的问题会变得更加精准。这样你就可以放心的让这位管理员，精准解答其他客户所提出疑惑。

m0_59235945的博客 5964

知识图谱的开源工具与平台

1. 背景介绍 1.1 知识图谱的概念与发展 知识图谱（Knowledge Graph）是一种结构化的知识表示方法，它以图结构的形式表示实体及其之间的关系。知识图谱的概念最早由谷歌在2012年提出，目的是通过对大量异构数据进行整合、挖掘和推理，构建一个能够描述现实世界中各种实体及其关系的大型知识

AI天才研究院 1159

驻极体咪头信号采集避坑指南：如何用5V单电源搞定0.1mV~1V的音频放大？

本文针对驻极体咪头（ECM）在5V单电源系统中信号采集的常见难题，提供了详细的电路设计指南。文章深入分析了咪头的高输出阻抗与微弱信号特性，重点阐述了采用两级运放（如AD8542）实现低噪声放大、直流偏置叠加以及抗混叠滤波的完整方案，并分享了PCB布局、电源去耦等关键调试技巧，帮助工程师稳定采集0.1mV至1V的音频信号。

weixin_29291069的博客 436

蚂蚁 DB-GPT 也开源了 GraphRAG，能用吗？好用么？看这篇就够了

本次解析就到这里了。虽然没能跑通，但是基本的东西已经看到了。我的观点是这个东西也只是个 Demo，而且如果你只是想用 GraphRAG，DB-GPT 不只是一个 RAG，不是一个软件，他是一个堆栈，你懂堆栈的意思吧？所以如果你只是想用 GraphRAG，我建议你直接用微软的。

xx_nm98的博客 2937

opencv读取海康威视摄像头相关配置

1、开发环境 海康威视的网络摄像头使用： 开发工具：vs2015 C++ 海康SDK 2、相关操作 下载海康威视SDK：网址：http://www.hikvision.com/cn/download_61.html • 1：对照自己的开发平台可以下载设备网络SDK_Win32设备网络SDK_Win64，解压到本地文件下： • 2：VS配置 、Opencv配置。参考址 http://blog.youkuaiyun.com/poem_qianmo/article/details/19809337 (建议自己创

HMJ115的博客 984

GraphRAG开源生态全景：6大主流开源项目，微软/蚂蚁/港大项目同台PK

应对TB级别以上数据，利用其水平扩展能力和高可用架构支撑底层图检索。

分享AI前沿进展、底层原理和行业应用 752

AIR780E二次开发点灯(LuatOS)

Air780E的LuatOS点灯教程，二次开发教程，可用于所有ec618平台，无需SDK

rootuseres的博客 1万+

Rapid SCADA MQTT

一、配置RapidSCADA 1、准备KpMqtt.dll、Jint.dll库文件，从网盘下载。 2、将以上两个文件拷贝到SCADA安装目录的Comm/KP目录下，如下： C:\SCADA\ScadaComm\KP 3、新建SCADA项目 4、新建Line 5、新建Device 6、拷贝Config目录下的KpMqtt_001.xml文件、KpMqtt_Job.js文件到项目Comm\Config下，如下示例链接 C:\SCADA\Projects\MQTTProject\Instances\Defau

mumanquan1的博客 3007

GraphRAG技术解析：微软、蚂蚁与港大框架对比

GraphRAG是一种结合知识图谱与大语言模型的检索增强生成技术，通过图结构检索实现语义精准定位。其核心原理是将传统RAG的向量搜索升级为实体关系网络，显著提升信息检索的精度与效率。在工程实践中，GraphRAG尤其适用于需要复杂语义理解的场景，如金融数据分析、企业知识管理等。微软的Azure集成方案适合企业级部署，蚂蚁集团的方案针对中文金融数据优化，而港大的框架则更适合学术研究与算法定制。随着大语言模型的普及，GraphRAG正在成为智能检索领域的重要技术方向。

weixin_29800471的博客 201

国产FPGA逆袭！深度评测复旦微RFVU3P5G核心板在相控阵雷达中的表现

本文深度评测了复旦微RFVU3P5G核心板在相控阵雷达中的实战表现。该核心板凭借射频直采架构、高采样率ADC/DAC及丰富的DSP资源，在多通道同步精度、动态范围及系统稳定性等关键指标上表现出色，展现了国产FPGA在高端雷达应用中的硬核实力与供应链自主价值。

b0c1d2的博客 724

AI-Compass GraphRAG技术生态：集成微软GraphRAG、蚂蚁KAG等主流框架，融合知识图谱与大语言模型实现智能检索生成

AI-Compass GraphRAG技术生态：集成微软GraphRAG、蚂蚁KAG等主流框架，融合知识图谱与大语言模型实现智能检索生成

丨汀、的博客 1779

科研党必备：用Python+Excel批量下载文献的保姆级教程（附常见错误解决）

本文提供了一套利用Python和Excel实现外文文献批量下载的自动化解决方案。教程详细介绍了如何从数据库导出并清洗DOI信息，编写健壮的Python脚本进行批量下载，并包含错误处理与进阶优化技巧，旨在帮助科研人员将重复性劳动自动化，大幅提升文献收集效率。

weixin_29050513的博客 307

华为OD机试双机位A卷 - VLAN资源池 (C++ & Python & JAVA & JS & GO)

华为OD机试2025双机位A卷 VLAN资源池，提供Java、C++、Python、Go、JavaScript源码实现，并提供完整思路讲解

qq_45776114的博客 879

GraphRAG项目雨后春笋般涌现！

蚂蚁首个对外开源的Graph RAG框架采用全自主的开源产品：DB-GPT（RAG的AI工程框架）+ OpenSPG（知识图谱系统）+ TuGraph（图存储系统）。随后Neo4j于13日开源了基于LLM提取知识图谱的生成器：llm-graph-builder教程：https://colab.research.google.com/drive/1IyttIWlsJKGWtWpc-QXDGbVok8fbud_j。

m0_59164520的博客 1988

【异常】OpenClaw LLM请求超时异常LLM request timed out.的技术分析与解决方案

LLM请求超时是OpenClaw工程化落地中最常见的链路稳定性问题，排查处置需遵循标准化的分级流程。绝大多数场景可通过重试、调整超时配置、优化模型选型快速解决；针对顽固型异常，可通过全链路日志拆解超时阶段，精准定位根因并完成针对性修复，最终保障OpenClaw业务链路的稳定运行。

奶爸的编程之路，也就一周冷个三天 1987

GraphRAG 开源生态对比：微软、蚂蚁、LightRAG、HippoRAG 架构差异分析

本文对比分析了四种主流的GraphRAG开源实现方案： 微软GraphRAG：开创性方案，采用社区摘要+Map-Reduce机制，强调全局理解但索引成本高。 蚂蚁KAG：将图谱作为事实数据库，支持精确路径查询和混合推理，适合专业领域但建模复杂。 LightRAG：轻量级方案，使用NLP实体抽取和双级检索，部署简单但推理能力有限。 HippoRAG：仿生记忆模型，支持子图索引和多跳推理，学术创新强但生态尚不成熟。 各方案在设计哲学、架构特点和适用场景上存在显著差异，需根据具体需求选择。

模界 | AI工程化实践者 522

WINCC7.3破解文件

WINCC7.3硬件够破解文件，有需要的下载！WINCC7.3硬件够破解文件，有需要的下载！

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

GraphRAG技术解析：微软、蚂蚁、港大方案对比与应用

知识图谱与检索增强生成（RAG）技术的结合，形成了GraphRAG这一创新框架，能够同时处理结构化和非结构化数据。其核心原理在于通过知识图谱的语义关联能力增强传统RAG流程，实现动态关系推理、上下文增强和路径可解释性。GraphRAG在金融风控、企业知识管理等场景中展现出显著的技术价值，特别是在处理多跳问答和复杂推理任务时表现优异。微软、蚂蚁金服和香港大学分别提出了不同的实现方案，各具特色。微软方案强调云原生集成，蚂蚁方案专注于金融风控优化，港大方案则注重动态图谱构建的灵活性。这些方案在实际应用中需要根据具

weixin_29043895的博客 54

efm32 入门.pdf

本PDF共计22页，介绍的是操作驱动API，下载与否自己斟酌。

GraphRAG项目

蚂蚁首个对外开源的Graph RAG框架采用全自主的开源产品：DB-GPT（RAG的AI工程框架）+ OpenSPG（知识图谱系统）+ TuGraph（图存储系统）。随后Neo4j于13日开源了 基于LLM提取知识图谱的生成器：llm-graph-builder。

qq_32907491的博客 796

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

微软GraphRAG框架源码解读

作者：薛明 两个月前，微软发布了GraphRAG的论文《From Local to Global: A Graph RAG Approach to Query-Focused Summarization》，基于知识图谱技术改进查询聚焦摘要（QFS）任务的问答，我也在之前的文章《Vector | Graph：蚂蚁首个开源Graph RAG框架设计解读》中提到借鉴“图社区总结”的思路对框架进行改进...

weixin_40610984的博客 482

GraphRAG原理

向量和图谱是两种重要的知识载体，当然大模型时代参数可能是更重要的载体，但是目前来讲太大了，暂时还没有端侧的有效模型可用。向量的神奇之处在于它们各自以编码形式捕获了其对应文本的本质，向量的价值更多体现在相似度计算上，也就是你需要确定一段文本与另一段文本的相似度时。但是，如果你想理解向量内部的含义、了解文本中表示的事物、洞察其与更大规模语境的关系，那使用向量表示法就无能为力了。

m0_59235699的博客 927

从GraphRAG最新论文综述探究如何改进微软 GraphRAG

最近北大、浙大等高校和蚂蚁集团等机构发布了一篇 GraphRAG 综述论文《Graph Retrieval-Augmented Generation: A Survey[1]》。本文首先对论文进行简单介绍，然后对论文中 GraphRAG 提到的三个阶段进行分别介绍，探索当前业界都在尝试哪些方法优化 GraphRAG，以及有哪些较为流行的GraphRAG框架。

xx_nm98的博客 2792

微软开源 GraphRAG 连接远程 Qwen 模型尝试

微软开源 GraphRAG 连接远程 Qwen 模型尝试

XRT_knives的博客 1192

GraphRAG开源生态全景：大主流开源项目，微软/蚂蚁/港大项目同台PK

项目内存 ./CLAUDE.md 或 ./.claude/CLAUDE.md 项目的团队共享说明 项目架构、编码标准、常见工作流 通过源代码控制的团队成员。项目规则 ./.claude/rules/*.md 模块化、特定主题的项目说明 特定于语言的指南、测试约定、API 标准 通过源代码控制的团队成员。项目内存（本地） ./CLAUDE.local.md 个人的项目特定偏好设置 您的沙箱 URL、首选测试数据 仅您（当前项目）

MZSgV855T的博客 360
上一篇： RAG核心技术全解析：Embedding选型、面试高频问题与Rerank重排序原理
下一篇： 使用 MCP、LangGraph 和 FastAPI 构建智能 Web AI 智能体
点赞 3
评论 0
书签 书签 2
Python_金钱豹
Python_金钱豹
博客等级 码龄5年 1万+粉丝 2835原创
+ 关注
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值