垂直领域 Agentic-GraphRAG
不堆 Neo4j：LangExtract 抽实体+关系建成 Python dict 知识图谱，配 Chroma 向量库，让一个 3 工具 Agent 自己选 向量 / 图谱 / 混合 检索，还能沿关系多跳。抽取带 char_interval 可溯源。
换不同问题，看 LangChain Agent 选 向量 / 图谱 / 混合 检索：图谱路沿知识图谱实体逐跳点亮，每个答案都带 char_interval 原文引用。
本地版本说明
知识图谱（实体 + 关系的 Python dict）、三个工具、char_interval 引用都是在一份民间借贷合同样例上的真实 pipeline 行为。不调真实 DeepSeek / Chroma——重点是工具路由和多跳遍历。
看 Agent 选 向量 / 图谱 / 混合
换不同问题，Agent 自己选检索工具。图谱路会沿关系多跳点亮实体；答案带 char_interval 原文引用。
选一个问题
知识图谱（Python dict）
建议体验
跑事实型问题，看它只路由到 vector_search_tool。
跑关系型问题，看 graph_search_tool 沿知识图谱逐跳遍历。
跑复合型问题，看 hybrid_search_tool 融合向量命中 + 图谱多跳。
这个试玩能说明什么
你知道什么时候需要图（关系 / 多跳），什么时候 Neo4j 是过度工程——这里的图就是一个 Python dict。
你设计 agentic 检索路由：Agent 按问题选 向量 / 图谱 / 混合，而不是写死一条路。
你把 source grounding（char_interval）贯穿到底，每条断言都可审计。
抽取
LangExtract 1.1.1 + DeepSeek deepseek-chat · 类别 实体 / 数据指标 / 关系描述
存储
Chroma（text-embedding-v4, 1024 维）+ Python dict 知识图谱
Agent
LangChain create_agent · 3 工具：向量 / 图谱（1–2 跳）/ 混合