AI 资源库 · 已整理 13 项
查看与知识图谱相关的 AI 资讯、工具、Skill、工作流和开源项目。
iammonth1997/paperwiki-research-compiler · AI Research Wiki 2026: Auto-Building Knowledge Base with Deep Citation Syntheses
PaperWiki 是一个面向研究场景的自主维基构建工具，能够将 PDF、网页、学术论文和原始文本摄入为互联知识，并借助本地 DeBERTa-v3 零样本分类器将查询路由到对应知识域。其核心能力包括：随时间持续复合的持久知识图谱、跨会话记忆、自动化的深度研究综述引擎（收集 15–30 条引用来源并生成 3000–5000 词带引用的综述文档）、多语言输出、响应式 Web UI，以及通过 OpenAI 或 Claude API 进行合成生成的可选集成。项目宣称可本地优先运行，分类与实体抽取在本地完成，但网页搜索与 LLM 合成可能访问外部 API。
英伟达在 GTC 柏林大会上把一组开源组件加入 Agent Toolkit，组成了 Agent Knowledge Foundation。它包含 Nemotron Retriever 检索模型、Auto-Ontology 本体库、处理表格数据的 Kumo 模型系列和 CUDA-X 数据处理库。问题在于：企业把智能体接上 Snowflake、邮箱或知识库后，模型仍难以理解跨系统的整体业务背景，面对多标签页的表格也容易找错数据。这次的做法是让数据留在原处、沿用企业已有的访问规则，用更好的检索和知识图谱补上下文——英伟达称其检索模型在 OpenSearch 测试中相关性提升 65%。对读者的意义是：企业多了一种不替换现有数据平台、自建智能体数据层的新选择，但相关组件刚发布，实际效果还需验证。英伟达表示只做模型、不与 Snowflake、Databricks 等数据平台竞争，权限控制仍交给合作伙伴；文中未说明各组件的具体可用时间和价格。
Netflix 的工程师写文章介绍了他们怎么解决一个很头疼的问题：系统出故障时，找原因要找将近四个小时。原来监控工具收集了很多数据（指标、日志这些），但每个系统各说各话，同一个东西在不同工具里叫不同名字，得靠人脑记着怎么对应。他们的做法是建一个知识图谱，把应用、事件、部署这些概念和关系用统一格式写清楚，机器也能读。这样本来要翻三个工具才能回答的问题，现在一条查询就能搞定。文章还提到他们自研了一个叫 QuipuDB 的图数据库来存这些数据。不过文章只给了开头部分，具体效果数据、完整方案细节没有说明。
Netflix 的两位工程师 Prasanna Vijayanathan 和 Renzo Sanchez-Silva 分享了一个演讲，讲他们怎么处理每秒 3800 万条事件量级的监控难题。原来的做法是出问题才被动告警，现在他们改用一套由 AI 驱动的“运营本体”，配合 Claude 和图层数据库来做自动化处理。具体是把 MELT（指标、事件、日志、追踪）这四类监控数据统一成可以查询的知识图谱，让系统能自动分诊、找根因，甚至自己修复故障。对读者来说，这展示了一条用 AI 把海量监控数据变成自动化运维能力的大规模落地思路。
91zgaoge/StoryMoss · 🌿 StoryMoss (草苔) — AI导演式小说创作系统。Tauri+Rust驱动的桌面写作软件，集成知识图谱、伏笔追踪、StyleDNA风格引擎、协同编辑、7阶段全自动创作工作流。让AI成为你的创作搭档，越写越懂你。
StoryMoss（草苔）是一款基于 Tauri + Rust 的桌面写作软件，面向小说创作提供 AI 辅助能力。它提供幕前沉浸写作与幕后工作室双界面：幕后管理角色、世界构建、场景大纲、知识图谱与伏笔看板等故事资产，幕前用于写作并随行辅助。内置多代理（主创/管理/编辑审计）协作与质量门、七阶段自动创作工作流、StyleDNA 风格引擎与文风逆向学习，支持资产回流入库、改稿级联影响报告、分层记忆摘要与成本账本，并适配 OpenAI / Anthropic / Ollama 及本地 API。
很多工程团队的数据散落在 CI、部署、安全扫描等不同系统里，同一个服务在不同系统中叫不同名字，工程师和 AI 每次问“这次部署为什么失败？”都要手动拼数据，答案还每次都变。文章提出用“软件交付知识图谱”解决：把实体、关系和数据格式用“schema 即代码”明确定义，再统一同步和查询，让跨系统的知识变得可靠、确定。还强调图谱质量取决于数据质量，需要监控数据填充率、记录数据来源、持续评估，否则图谱也会退化。文章以博客形式给出架构和指南，未说明配套产品何时可用。
提供的材料未提及具体可用工具。
当回答一个问题需要理清多条记录之间的关联时，普通向量检索可能不够用。比如问“哪个团队负责那个用了有漏洞的库的服务、哪些客户受影响、合同要求怎么通知”，向量搜索只能找出语义相近的文档，却无法证明哪些记录真正相关，可能把错误的服务版本或客户关联到一起。Graph RAG 的做法是把这些关系显式建成图：每条记录是一个节点，服务“使用”库、服务“支持”环境、合同“受制于”政策等关系成为带类型和方向的边，每条边都能追溯到来源并带生效日期。这样回答时先定位实体，再沿允许的关系遍历，最后取原文解释细节。两者配合使用，图的职责是回答“谁和谁相连”，原文负责回答“政策到底写了什么”。
有人做了一个叫 Graphify 的开源工具，它把代码库和零散的非结构化资料整理成一张可查询的“知识图谱”，相当于给 AI 编程助手一张能按关系查找代码的活地图。原来的问题是 AI 写代码时常常要跨多个文件理解逻辑，容易顾此失彼、推理不完整。Graphify 在 2026 年 4 月发布，最近更新加强了代码解析和跨文件关联能力，来缓解这个问题。目前社区反馈认为架构有前景，但不少人反映把它融入日常开发流程还不够顺手，工具的具体安装和使用细节原文未说明。
联合国系统把各个机构分散、格式不一的数据，整合成一个叫“联合国系统数据共享”的公开平台。以前分析师要花好几个月手动整理这些数据，现在平台用AI知识图谱自动连接，还能用大白话提问，比如“农村干净水如何影响上学”，直接得到图表和答案。平台还让AI助手自动抓取权威数据，帮你生成报告草稿。目前数据有限，计划到2027年覆盖80%的联合国统计数据集。
Mubder/kazma · Autonomous AI agent framework — LangGraph brain, swarm orchestration, Arabic-first, with human-in-the-loop safety.
Kazma 是一个开源的自主 AI 智能体框架，以 LangGraph 作为核心大脑，提供群体编排（swarm orchestration）、认知记忆引擎、文档智能处理以及三重人工介入（HITL）安全审批机制。它支持 Web、TUI、CLI、Telegram、Discord、Slack 等多种交互平台，并兼容 OpenAI、Anthropic、Gemini、Ollama 等多家模型提供方，强调以阿拉伯语为先的本地化支持，以及遇到不确定时暂停、询问或如实失败而非编造答案的行为准则。
tirth8205/code-review-graph · Local-first code intelligence graph for MCP and CLI. Builds a persistent map of your codebase so AI coding tools read only what matters, with benchmarked context reductions on reviews and large-repo workflows.
code-review-graph 是一个 local-first 的代码智能图谱工具，使用 Tree-sitter 将代码库解析为函数、类、导入等节点及调用、继承、测试覆盖等边，并存入图谱。它通过 MCP 向 AI 编程工具提供精简的审查上下文，按 blast-radius 分析只返回变更真正影响的文件，并支持增量更新、CLI 与 GitHub Action 形式的 PR 风险评分审查。项目为 Python 包，要求 Python 3.10+。
MetaBrain-Labs/meta-pm-agent · Open-source multi-agent product management system for turning ideas into requirements, execution plans, knowledge graphs, and PRDs.
Meta PM Agent（工作区 UI 中文名为「问渠」）是一个开源的多智能体产品管理系统。它围绕产品需求工作流，把用户对话转化为结构化需求，经过请求分析、Planner 生成依赖感知的 DAG、并行 Executor 执行与 Critique 评审，最终产出可审计的 PRD 文档，并在 PostgreSQL 中持久化产品知识图谱（节点、关系、决策、风险、来源等）。项目基于 TypeScript、LangGraph、LangChain、DeepAgents、Hono、React 与 Vite 构建，带有 SSE 流式 API 和 checkpoint 恢复机制。当前 v0.1 定位为单用户本机预览版本。
666ghj/MiroFish · A Simple and Universal Swarm Intelligence Engine, Predicting Anything. 简洁通用的群体智能引擎，预测万物
MiroFish 是一个多智能体技术驱动的预测引擎，可从新闻、政策草案、金融信号等真实世界素材中提取种子信息，自动构建高保真的平行数字世界。在这个数字空间中，成千上万个具有独立人格、长期记忆和行为逻辑的智能体自由交互并进行社会演化，用户可从"上帝视角"动态注入变量以推演未来走向，最终获得详细的预测报告和可深度交互的仿真世界。项目支持舆情分析、金融预测、小说结局推演等场景，采用 Python 实现，仿真引擎基于 OASIS 构建。