从RAG到上下文图谱：9步路线图
文章探讨了传统RAG在处理多跳推理问题时的局限性，指出检索文本块无法捕捉复杂的实体关系链。为此，作者提出了一种向“上下文图谱”转型的9步实施路线图。该方法通过从文本中提取实体与关系三元组，进行实体规范化以避免图谱割裂，并构建双向边表。图谱通过多源验证分配边权重，并为每条边附加来源以实现精准溯源。最终，检索过程转变为图谱遍历，通过反向可达性分析和路径权重排序，精准定位多跳查询的答案。
全部文档 / 标签: GraphRAG
10 篇
图工程：构建全自动化AI开发系统
本文介绍如何摒弃手动单次提示，通过构建AI系统实现开发自动化。以Claude Code为基础，结合上下文规则实现工程化代理；利用循环工程让系统自动发现任务、执行并验证结果；引入图工程作为知识记忆层，通过三元组存储项目逻辑，使模型准确率大幅提升且避免从零开始；最后通过模型路由按任务复杂度自动分配Opus 5或Fable 5，以大幅降低开发成本并成倍提升工作效率。
The Graph Engineering Setup Guide
本文介绍了图工程如何为Agent提供复合记忆。通过双时态模型和MCP配置，Claude可获得持久的图记忆，相比向量搜索，多跳任务准确率提升36-46%，幻觉减少40%以上。
Kimi K3 + 图工程：降低85%成本并提升18%准确率
文章介绍了通过结合 Kimi K3 模型与图工程构建 AI 系统的方法。相比传统 RAG，该架构利用知识图谱存储实体关系，能处理复杂推理，实现成本降低85%和准确率提升18%。文章引用微软 GraphRAG 等研究，详细阐述了如何从零开始构建该系统。
Meet Pocket: Persistent, infinite context for coding agents
Pocket 是一个为编程代理提供无限上下文的持久化工具，允许代理存储和检索整个代码库及相关上下文，从而更高效地处理大型项目。该工具基于 Polygres 架构，目前免费提供，并赠送 50 美元积分。
图工程如何取代RAG：微软、斯坦福和Anthropic的实践
文章介绍了图工程相比传统RAG在复杂问题回答上的优势，通过微软GraphRAG、斯坦福DSPy及Anthropic Claude的案例，展示了图结构如何提升AI准确性和降低成本。核心观点是图工程能捕捉实体间关系，而非仅检索文本片段。
Token省35%、工具调用暴降94%！本地知识图谱改变的5个编程习惯
作者分享了使用本地知识图谱重塑编程习惯的经历。文章详细对比了RAG和知识图谱的区别，介绍了Graph RAG的概念，并展示了如何利用开源工具CodeGraph将代码库转化为知识图谱。这一改变使Token消耗降低35%，工具调用减少94%，显著提升了开发效率。
ActiveGraph: 长期运行 Agent 的连续性架构层
文章作者 Yohei 提出了 ActiveGraph 的概念，旨在解决长期运行 AI Agent 的状态连续性问题。作者回顾了 BabyAGI 的发展历程，指出当前 Agent 系统主要围绕“反应”构建，缺乏持续的状态管理。ActiveGraph 试图将任务、记忆、决策、证据等所有状态视为一个共享的演化图，从而实现 Agent 的持久化、自我修正和逻辑追溯，适用于需要严格推理过程的企业级场景。
如何把聊天记录变成可检索知识库（2026版）
文章探讨了如何将微信、Telegram等平台的聊天记录转化为可用的个人知识库。作者从数据获取、清洗降噪（语义分块、去重、上下文修复）到存储检索（Embedding选型、GraphRAG）提供了全流程的技术指导，并提出了数字分身、知识传承等多种应用场景。
构建永不遗忘的智能体：从基础到向量与图谱混合记忆方案
文章深入探讨了LLM智能体的“记忆”难题，指出单纯增加上下文窗口无法解决“迷失在中间”效应及会话遗忘问题。作者基于认知科学框架，分析了从Python列表、Markdown文件到向量检索各阶段的局限性，强调构建兼具持久化、语义理解和关系推理能力的记忆层至关重要，最终引入了一个能够整合向量、图谱和关系存储的开源解决方案。
