垂直领域 Agentic-GraphRAG

设计哲学：用「够用」的图，别过度工程

Microsoft GraphRAG、Neo4j 都很强，但对一个垂直领域文档库往往是大锤打蚊子——要起图数据库、要学 Cypher、要维护 schema。这个项目反过来：

• 图就是一个 Python dict：{entities: [...], relations: [...]}，没有图数据库
• 检索路由交给 Agent：不预设「always graph」或「always vector」，让 LLM 看问题自己挑工具
• 抽取带 source grounding：每个抽取保留 char_interval 指回原文，答案可溯源

四阶段 pipeline

PDF/长文
  │
  ├─[1] MinerU 解析 → Markdown
  │
  ├─[2] LangExtract 抽取 → 实体 + 数据指标 + 关系（带 char_interval）
  │
  ├─[3] 双写入库
  │       ├─▶ Chroma（向量）          ← text-embedding-v4, 1024 维, chunk_size=10
  │       └─▶ 知识图谱（Python dict）  ← {entities, relations}
  │
  └─[4] LangChain create_agent（3 工具）
          vector_search_tool / graph_search_tool / hybrid_search_tool

LangExtract：带 char_interval 的抽取

用 Google 开源的 langextract==1.1.1，LLM 用 DeepSeek deepseek-chat：

import langextract as lx

result = lx.extract(
    text_or_documents=markdown_text,
    prompt_description=prompt,            # 抽 实体 / 数据指标 / 关系描述
    examples=few_shot_examples,
    model=deepseek_model,                 # api.deepseek.com / deepseek-chat
    fence_output=True,
    use_schema_constraints=False,
    prompt_validation_level=lx.PromptValidationLevel.OFF,
)

抽取分三类：

每个抽取都带 char_interval（起止字符偏移），这是后面答案能「引用原文第几个字」的基础——医疗 / 法律 / 合规场景的硬需求。课程在一份民间借贷合同样例（涉及《民法典》第六百七十五条）上抽出约 21 条：11 个实体、1 条关系。

罗密欧与朱丽叶.txt 在项目里是 LangExtract 的 few-shot 教学样例，不是主语料——别被它误导。

知识图谱就是一个 Python dict

knowledge_graph = {
    "entities": [
        {"name": "出借人", "type": "实体", "attributes": {...}},
        {"name": "借款金额", "type": "数据指标", "value": "..."},
        # ...
    ],
    "relations": [
        {"主体1": "出借人", "主体2": "借款人", "关系": "出借给"},
        # ...
    ],
}

graph_search 不做花哨的图算法：子串模糊匹配定位起点实体，再沿 relations 做 1–2 跳遍历，把关联实体捞回来。够用，而且任何人都看得懂。

三个工具的 Agent

agent = create_agent(            # LangChain 1.0
    model=ChatOpenAI(..., temperature=0.3),   # DeepSeek
    tools=[vector_search_tool, graph_search_tool, hybrid_search_tool],
)

• vector_search_tool：Chroma 语义检索——适合「这份文档说了什么」式事实查询
• graph_search_tool：实体模糊匹配 + 1–2 跳关系遍历——适合「A 和 B 什么关系 / A 还关联了谁」
• hybrid_search_tool：两者都跑，融合证据——适合既要事实又要关系的复合问题

关键不是「有图」，而是 Agent 自己看问题选工具——这才是「Agentic」GraphRAG 的那个 Agentic。

一次 agentic 查询

问：「出借人和借款人是什么关系？借款人要还多少？」
  └─> agent_query() 起 ReAct 循环
        ├─ LLM 判断：这是关系 + 数值的复合问题 → 选 hybrid_search_tool
        ├─ vector 路：召回含「借款金额 / 利率」的 chunk
        ├─ graph 路：定位「出借人」→ 沿关系跳到「借款人」→ 再跳到「借款金额」
        └─ 融合 → 带 char_interval 引用的答案
  └─> 返回：answer + 工具调用证据（走了哪条路、命中哪些实体）

价值点

• GraphRAG 落地判断力：知道什么时候需要图（关系/多跳），也知道什么时候 Neo4j 是过度工程
• Agentic 检索路由：让 Agent 按问题选 向量 / 图谱 / 混合，而不是写死一条路
• Source grounding：char_interval 让每条断言可溯源——审计性需求
• 跟 LangExtractApp 同源但更进一步：抽取 + 向量那层和结构化抽取平台共享，这里多了知识图谱 + 多跳 Agent