Agentic GraphRAG
一种将RAG上下文层与Agent记忆层统一到同一图结构中的技术架构，包含知识层、工作记忆层和决策记忆层，实现跨层追溯与决策失效传播。
时间轴 (近 90 天)
Agentic GraphRAG 对决策修订采用版本化处理，旧版本保留在历史中而不被覆盖删除。
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。
作者承认 Agentic GraphRAG 的引用检查不能判定证据是否真的支持结论，语义正确性仍需人或上层流程把关。
Agentic GraphRAG 提供 MCP server，任何支持 MCP 的 Agent 运行时都可以调用其图检索和记忆能力，而不必绑定 DeepAgents/LangGraph。
如果场景只是简单问答，引入三层图谱和 schema 建模的成本可能不划算；三层结构更适合需要审计 Agent 决策链路的场景（如合规审查、研究复现、多会话长任务）。
Agentic GraphRAG通过Neo4j原生的全文索引和向量索引查找段落，并使用reciprocal rank fusion（RRF）融合关键词排名和语义排名。
Agentic GraphRAG的检索支持“读超出搜索命中”，即可导航到命中段落所在章节、相邻段落或带表头的表格行，实体关系能反向指回支撑段落。
Agentic GraphRAG项目将知识层、工作记忆层和决策记忆层存储在同一个Neo4j图中，三层通过边相互连接。
Agentic GraphRAG在引用文档发生变化时，会标记受影响的决策及其显式依赖项待审。
Agentic GraphRAG项目的路线图包括：管道模块化以支持不同硬件、将检索扩展到更多图数据库和存储后端、在领域特定数据集上跑大规模基准测试，结果将很快发布。
还有 5 条时间轴事件
全部知识事实 (15)
如果场景只是简单问答，引入三层图谱和 schema 建模的成本可能不划算；三层结构更适合需要审计 Agent 决策链路的场景（如合规审查、研究复现、多会话长任务）。
50%待验证Agentic GraphRAG 对决策修订采用版本化处理，旧版本保留在历史中而不被覆盖删除。
50%待验证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。
50%待验证作者承认 Agentic GraphRAG 的引用检查不能判定证据是否真的支持结论，语义正确性仍需人或上层流程把关。
50%待验证Agentic GraphRAG 提供 MCP server，任何支持 MCP 的 Agent 运行时都可以调用其图检索和记忆能力，而不必绑定 DeepAgents/LangGraph。
50%待验证Agentic GraphRAG通过Neo4j原生的全文索引和向量索引查找段落，并使用reciprocal rank fusion（RRF）融合关键词排名和语义排名。
50%待验证Agentic GraphRAG的检索支持“读超出搜索命中”，即可导航到命中段落所在章节、相邻段落或带表头的表格行，实体关系能反向指回支撑段落。
50%待验证Agentic GraphRAG项目将知识层、工作记忆层和决策记忆层存储在同一个Neo4j图中，三层通过边相互连接。
50%待验证Agentic GraphRAG在引用文档发生变化时，会标记受影响的决策及其显式依赖项待审。
50%待验证Agentic GraphRAG的内置Agent会检查被引用段落是否在本次运行中被实际取回，以及是否属于它有权读取的文档。
50%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。
50%待验证Agentic GraphRAG的内置Agent基于DeepAgents/LangGraph，将消息和工具调用记录为任务事件，支持后续会话恢复任务进度。
50%待验证在Agentic GraphRAG的决策记忆层中，决策可以被重申（reaffirm）或被替换（replace），历史记录不会丢失。
50%待验证Agentic GraphRAG的实体抽取可以使用本地运行的GLiNER模型，也可以对选定chunk使用BAML做结构化LLM抽取。
50%待验证Agentic GraphRAG项目的路线图包括：管道模块化以支持不同硬件、将检索扩展到更多图数据库和存储后端、在领域特定数据集上跑大规模基准测试，结果将很快发布。
50%