laya-jev-GraphRAG：面向多图数据库的解耦式 Agentic GraphRAG 管道

canvasnemesis318/laya-jev-GraphRAG · Decouple AI from storage with an agnostic Agentic GraphRAG pipeline for Neo4j, Memgraph, AGE, and Kùzu.

GitHub原文发布未知首次收录 2026-10-14上架 2026-10-15 07:06

☆ 收藏查看项目 ↗

ELI5：它是什么，解决什么问题

该项目提供一个与存储解耦的 Agentic GraphRAG 处理管道，支持 Neo4j、Memgraph、AGE、Kùzu 等图数据库，并声称可兼容 Amazon Neptune、ArangoDB、JanusGraph 及 PostgreSQL、MySQL、MongoDB 等系统。管道包含采集、富化、推理、生成四个阶段，采用自定义 A* 图遍历算法，内置持续评测机制，并提供 Laya（本地）与 Jev（云端）两种可切换的模型提供方。README 还包含面向 Windows 非技术用户的下载、解压与运行说明。

# Neo4j # graprag # graphdatabase # astar-algorithm # eval-harness

核心能力与快速开始

★ 0 · Python

能做什么: 提供与存储无关的 Agentic GraphRAG 管道，包含 Collection、Enrichment、Reasoning、Generation 四个阶段；使用自定义 A* 遍历在图结构中进行路径查找；内置持续评测框架（eval harness）；架构上支持可替换的模型提供方，可在本地模型 Laya 与云端模型 Jev 之间切换；声称支持 Neo4j、Memgraph、AGE、Kùzu，并列出 Amazon Neptune、ArangoDB、JanusGraph、SQL 数据库（PostgreSQL、MySQL）、MongoDB 等；提供可视化的数据探索界面，以节点与连线展示数据结构。
适用场景: 针对已有图数据库或传统数据库的数据进行自然语言问答；在需要数据隐私的场景下使用本地模型 Laya 处理敏感数据；在复杂问题上切换到云端模型 Jev；以可视化方式探索实体之间的连接关系与模式；通过内置评测报告跟踪问答质量。
项目形态: 可直接使用的工具
部署方式: README 描述为 Windows 本地应用：下载 zip 后解压，运行 exe 或 run.bat；推荐 Windows 10 或更新版本（64 位）。未说明其他平台的部署方式。
主要依赖: 推荐 Windows 10 或更新版本（64 位）、8 GB 及以上内存、2 GB 可用存储空间；仅在使用云端模型 Jev 功能时需要联网。未说明具体的模型、API 或硬件配置要求，也未说明 API 成本。
使用限制: 材料未说明支持的模型清单、API 成本与调用配额；未说明管道在大规模图上的性能与吞吐表现；项目声称的多种数据库兼容性缺少文档佐证；README 中的下载与仓库链接均指向同一页面，未提供独立的文档或快速入门地址；未说明是否可商用。
许可证: Apache-2.0
最近推送: 2026-10-13 22:24

核对 README 依据 ↗

资料检查：2026-10-14 07:00 · 卡片整理：2026-10-15 07:00
卡片由 AI 根据仓库资料整理，未进行安装或运行验证

职业应用

程序员

作为与存储解耦的 Agentic GraphRAG 管道，程序员可将其用于在 Neo4j、Memgraph、AGE、Kùzu 等图数据库上构建和调试检索增强生成流程，并利用内置的持续评测机制检查问答质量。

查看内容依据

该项目提供一个与存储解耦的 Agentic GraphRAG 处理管道，支持 Neo4j、Memgraph、AGE、Kùzu 等图数据库

官方使用入口 ↗

由 AI 根据来源材料整理，未进行安装或运行验证

相似资源

strix-halo-llm：AMD Strix Halo 上的 llama.cpp Vulkan 调优与 LLM 评测工具集

该项目针对 AMD Ryzen AI MAX+ 395（Strix Halo / gfx1151）统一内存平台，提供经实测的 llama.cpp Vulkan 推理调优方案，包括单模型启动脚本、路由器模式启动器、Prometheus 指标导出与看门狗脚本，并记录了内存占用上限、批大小、推测解码等实测结论。仓库还包含可跨硬件使用的评测工具与一个记录了十六个评测框架 bug 的目录，每个 bug 都附带了它曾产生的“看似合理的错误数值”。

Harbor：面向容器环境评估与优化智能体和语言模型的框架

Harbor 是由 Terminal-Bench 团队开发的框架，用于评估与优化智能体和语言模型。它支持评估 Claude Code、OpenHands、Codex CLI 等各类智能体，构建和分享自定义基准与运行环境，通过 Daytona、Modal、LangSmith、Blaxel、Novita Sandbox、Tensorlake、Runta、Sail 等提供方并行运行上千个环境开展实验，并为强化学习优化生成 rollout。Harbor 是 Terminal-Bench-2.0 的官方评测框架。

carimbo：面向巴西 NF-e 电子发票的抽取与审批决策 LLM 智能体

carimbo 将巴西电子发票（NF-e）的 DANFE PDF 转为严格类型化的发票记录，并进一步生成可审批/拒绝/升级的判定。项目以可复现的评测套件、确定性校验器、有界修复循环、持久化执行、幂等、追踪与成本归集为支撑，公开每次真实运行的逐案例记录与汇总结果。当前已完成抽取阶段的骨架与带校验的抽取，可重放运行阶段已实现但验证待完成；智能体与持久化执行属于后续里程碑，尚未在路线图内。

decision-longctx-evals：面向决策模型的长上下文检索与推理评测工具

该项目为“决策模型”（读取状态并对固定选项集返回概率、而非生成文本的模型）提供两套长上下文评测：Decision RULER 包含 11 个合成任务（针检索、变量追踪、词计数），以多选题决策形式覆盖 64K 至 1M token；Decision LCR 基于真实文档（每份约 100K token）的 100 道多选题。项目提供 pip 安装的 dlce 命令行工具，通过向自定义 HTTP 端点发送包含 state、question、options 的请求并接收每个选项的概率来运行评测，支持并发、多端点分发、断点续跑，并按任务平均分（RULER）或全对准确率（LCR）计分，输出逐决策的 JSON 记录。该评测是 RULER 与 AA-LCR 面向决策模型的原则性改编，分数与原基准不可直接比较。

这是基于来源内容整理的摘要。原文链接失效后，本页摘要和讨论仍会保留。