待验证50% 置信事实精确时间
Agentic GraphRAG 的实体抽取由用户定义的 schema 驱动，本地抽取使用 GLiNER，结构化 LLM 抽取由 BAML 处理选定的 chunk。
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/10/20
首次发现
有效期至：2027/1/18
来源
涉及实体
相关事实
已验证GraphRAG的做法是从文档中抽取实体与关系，以节点和边形式存入图数据库，检索时先用向量召回候选节点再沿图的边做多跳推理76% 相似待验证Agentic GraphRAG的知识层使用Docling进行文档摄入，使用Chonkie进行分块，分块时保留文档章节结构、表格和段落层级，PDF还会记录页码位置。71% 相似待验证图遍历与向量检索的混合使用是 GraphRAG 区别于传统 RAG 的核心技术特征66% 相似待验证RagLeap Graph Java v0.2.0 已发布，提供了图谱检索核心能力，包括可选的基于LLM的实体与关系抽取、可配置的抽取与实体去重、跨块关系处理、混合向量+图谱检索、纯图谱检索、块引用与图谱路径引用、可插拔的图谱与向量搜索接口、回填工具与schema迁移运行器。66% 相似待验证Agentic GraphRAG Blueprint通过构建知识图谱并与向量搜索相结合，使答案能够跨越多个文档连接事实66% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1074474API
curl https://kongchang.com/api/v1/knowledge/claims/1074474MCP
get_claim(id=1074474)