演讲回顾｜Chat2Graph：Graph + AI 时代的未来智能体架构

一、Graph + AI技术背景

1、从「数智融合」到「图智融合」

Graph+AI的技术路线：双向赋能

• AI提升图处理效率：优化人与图数据交互的链路成本（如存储、计算）。
• 图反向赋能AI：通过图的结构性增强AI的可解释性与推理质量。

2、Graph：面向连接的数据建模

• Graph以“连接”为核心：能更自然地表达真实世界的普遍联系。
• 关系确定性与可解释性：通过边的连接实现数据溯源和多跳查询的归因分析。
• 高维数据结构：相对于表，图是一种更高维的数据结构。
• 连接主义：神经网络本质是计算图结构，大模型的训练、后训练、推理的本质在发掘文本语义的连接。

3、Graph+AI：「图智互融」的思想基础

1、人工智能三大学派特点：

• 符号主义（Symbolism）：

• 优势：基于逻辑规则的强可解释性。
• 劣势：依赖人工规则，专家规则扩展性差。

• 连接主义（Connectionism）：

• 优势：仿生神经网络，通过反向传播和迭代训练实现自动化智能。
• 劣势：基于概率的“幻觉”问题（如大模型的不确定性）。

• 行为主义（Behaviorism）：

• 优势：通过智能体与环境交互（如强化学习）获取智能。
  

2、Graph+AI的融合方向：结合符号主义与连接主义的优势，实现优势互补。

4、TuGraph+AI：开源产品矩阵

1、TuGraph产品矩阵

• Graph层：TuGraphDB（单机图数据库）、TuGraph Analytics（分布式流图引擎）、miniGU（图数据产学研平台）、GraphUniverse（统一图数据管理）。
• AI层：Text2GQL、GraphRAG、Graph Agent（Chat2Graph）。
• App层：OSGraph（开源图谱洞察工具）。
  

2、本次重点分享AI层技术方向：

• Text2GQL 图语言微调。
• GraphRAG 图检索增强生成（结合知识图谱与大模型）。
• Chat2Graph 图原生智能体。
  
  

二、探索 Graph增强的 Agent 架构

1、大模型时代的同频共振

• 2023年：SFT（监督微调）主导，如GPT、SFT。
• 2024年：RAG（检索增强生成）兴起，如MRC、RAG、MM。
• 2025年：智能体（Agent）成为焦点，如LRM、MCP、Manus等等。

• 2023年：启动Text2GQL，基于国际化标准 ISO/GQL，探索自然语言与图查询语言的直接翻译。
• 2024年：引入知识图谱技术，精细化管理外部知识，构建GraphRAG。
• 2025年：GraphRAG面临复杂问题与开放知识的双重挑战，引入任务规划器、工具调用（如搜索引擎、企业系统）动态补充知识库，是GraphRAG必然会过渡到GraphAgent。

2、Text2GQL：领域语料合成与图查询直译

• 核心难点在于语料稀缺：当前图查询语言生态尚未成熟，缺乏足够的训练语料，是Text2GQL面临首要难题。
• 解决方案：

• 语法树解析：将编程语言转化为语法树，提取终结符与中间值。
• 语义描述与模板填充：用自然语言描述语法树结构，填充变量生成语句模板。

• 数据集构建：利用生成的语料对（statement-pair）作为训练数据。
• 微调方法：结合经典微调方式（如LoRA、QLoRA）及增强学习（如激励模型）进行优化。
• 初步成果：

• 文本相似度（92%+）、语法准确性（98%+）表现良好。
• 执行结果准确率超50%（受限于GQL生态成熟度）。

• 发布Text2GQL的基准测试（benchmark）。
• 与LDBC合作推进标准化工作。
  

3、GraphRAG：图谱驱动的私域知识检索

• 0.5.6版本：完成GraphRAG的基础RAG框架开发。
• 0.6.0版本：支持Community Summary（社区摘要）。
• 0.6.1版本：支持文档图谱关联，实现内容溯源，解决法律/财务高敏感场景的“幻觉”问题。
• 0.7.0版本：支持Hybrid Search（混合搜索），包含向量检索、关键词匹配、文本意图理解。
  

• 信息损失：知识图谱抽取无法完全还原原文信息。
• 语义检索局限：传统关键词/向量检索无法捕捉用户查询的筛选条件。
• 意图理解：复杂查询需智能体规划与多步骤任务分解。

4、Graph Agent：用图实现更广义的「仿生」

RAG的尽头是Agent，对于GraphRAG在知识库检索的时候，也避不开工具调用和复杂任务规划，甚至引入多智能体的逻辑，而目前多智能系统也存在预测成功率低的问题，我们也在思考能不能用Graph去改进智能体呢？用图来实现更广义的仿生。

三、Chat2Graph：首个Graph原生智能体系统

1、Graph Native 智能体设计

通过智能体在人和图系统之间插入中间层，来解决一系列的问题。横向来看，是AI for Graph的逻辑。通过助手让自由操作图系统，降低成本，提升效率。垂直来看，则是的是Graph for AI的逻辑，通过图结构对智能体系统的多个关键模块进行建模与优化。

1、Graph for 记忆 知识：通过图谱化方式实现知识的结构化沉淀，将专家经验以图谱形式存储，为智能体提供可复用的知识基础。

2、Graph for 工具：针对工具调用中存在的前后向依赖关系，采用图的方式进行管理，确保工具调用的逻辑连贯性与执行效率。

3、Graph for 推理 & 规划 & 协作：智能体的任务规划与协作机制本身即是一个图结构模型，通过图描述任务间的关联性、智能体的依赖关系，实现多智能体间的高效协同。

2、Chat2Graph的架构特色

• 架构：单主动-多被动的混合架构。
• 推理：快&慢思考结合的双LLM推理机。
• 规划：CoA式任务分解与图规划器。
• 记忆：分层记忆系统。
• 知识：支持 VectorRAG和 GraphRAG。
• 工具：利用图结构组织工具和行动。
• SDK：智能体构建与服务API。
• 配置：一键配置智能体。
• 集成：支持 Neo4j 和 TuGraph图数据库。
• 界面：支持 RestfulAPI 和 WebUI。
• 可干预：支持任务的暂停和恢复。
• 持久化：作业状态和消息的持久化。

3、Chat2Graph的物理架构和产品交互

Chat2Graph提供标准化SDK支持外部系统集成，用户可通过其界面与图系统交互。对话的核心抽象为Session，用于管理多轮对话的状态（如上下文、用户意图）和历史消息，确保对话连贯性。执行过程中Leader角色负责问题拆解与任务分发，将复杂查询分解为子任务并分配给Expert。外部尝试用工作流生成器来优化工作流、知识库来补充知识、工具优化器来优化工具库的表达。

Github 地址：https://github.com/TuGraph-family/chat2graph，欢迎大家讨论参与共建。

4、Chat2Graph推理机（一）：快慢思考结合的双模推理

基于「元认知」的提示工程设计 Thinker-Actor双模推理机

• 架构设计：

• Thinker Model：负责深度思考，生成任务指令。
• Actor Model：执行工具调用，将结果反馈给Thinker Model以迭代优化。

LRM的逻辑成本较高，依赖后训练优化，限制了工程实践的自由度。Thinker-Actor双模推理机在软件工程层面，灵活度更高，支持持续改进。长期来看，还是需要持续关注LRM的进展，动态评估这两种技术路径。

5、Chat2Graph推理机（二）：记忆、工具、环境集成

• 任务输入：每个具体任务会携带推荐工具列表。
• 推荐逻辑：结合用户任务指令（instruction），将任务与工具推荐交给推理机处理。
  

• 双模推理：推理机由两个LLM协同工作，形成模型服务能力（Model Service）。
• 记忆融合：推理机结合自身记忆（如历史对话、知识库）完成任务处理。

• 函数调用解析：通过解析函数参数（如输入输出格式、依赖关系），执行工具调用。
• 环境交互：工具执行需操作环境（如读写数据），涉及两种服务类型：

• 外部工具（Outer Tools）：如调用云服务（MCP）、代码接口等外部资源。
• 内部服务（Inner System Services）：智能体内部提供的能力（如内存管理、任务调度）。

关键创新在于将内部服务视为环境的一部分，而非独立模块，从而增强智能体的自我集成与资源调度能力，实现更广泛的工具集合调用。

6、Chat2Graph 任务规划与智能体协作

• 当复杂问题输入时，由Leader负责任务拆解。
• 采用图结构表达任务依赖关系，支持多分支与并行化，提升表现力和调整灵活性。

• 调度器分配：拆解后的子任务由任务调度器分配至不同Expert。
• 执行流程示例：

• 建模智能体：执行建模后尝试导入数据，若失败则触发重试机制。
• 分析阶段：若分析无法完成，Expert会向Leader请求帮助，要求重新拆解问题。
• 文档查询：Expert可能向质量保证模块（Qa）提问，例如“文档中的某个手册如何操作？”，获取指导后再执行查询，结果返回后继续分析。

7、Chat2Graph 分层记忆系统

基于图谱的DIKW分层理论：数据（Data）→信息（Information）→知识（Knowledge）→智慧（Wisdom），对应系统内的：推理机（ Reasoner）→ 工作流 （Workflow）→智能体（Agent）→会话层 （Session）。

智能体分层，形成递进式架构

• 高层组件 Session 直接面向用户，协调整个系统的运行，管理抽象逻辑。
• 中高层组件 Agent 负责自动任务分配，专家合作协调，经验学习与应用。
• 中低层组件Workflow 负责协助任务调度，工作流程组织，结构化输出与评估。
• 底层组件 Reasoner 执行具体操作。
  

当前团队正在探索并构建更成熟的分层记忆系统，目标是实现知识管理的自动化与结构化。欢迎大家关注项目进展并加入共建，推动技术落地。

8、Chat2Graph 工具图谱设计

• 工具集局限性：当前智能体可用工具数量有限。
• 未来趋势：工具精细化，数量激增，需系统化管理。

• 工具注册：将工具集纳入统一管理框架。
• 生成Action：总结工具的功能（如“生成代码”“修改代码”）。
• 建立关系：分析Action与工具之间的关联（如“修改代码”需调用哪些工具）。
• 图结构表达：用知识图谱描述工具与Action的关系。
• 工具推荐：基于图谱推荐合适的工具交付给推理机调用。

目前工具图谱的优化（借助RL实现评估与优化）还在建设中，欢迎加入共建，共同完善。

9、定制与拓展：一句话生成专属智能体

1、构建编码智能体是结构化的表达形式

• 构建智能体：将推理机、知识库、工具库设计为算子级能力，表达LLM、数据、计算的基本抽象，可以直达AI软件工程的本质。通过结构化配置实现智能体系统定义，过程几乎无需编写代码。
• 大模型优势：大模型擅长处理结构化数据，可要求大模型生成确定性结构的数据（如智能体配置）。

2、智能体定制与拓展

• 技术路径：利用大模型生成结构化YAML配置，替代传统代码开发，通过智能体生成器实现低代码/无代码的智能体构建。
• 应用场景：快速构建演示程序、复杂系统（如多工具协作）；动态扩展多智能体能力，解决领域外问题。
• 未来方向：通过智能体生成，逐步向多智能体系统的自我迭代进行演进。

四、未来展望

1、Agent Task Compiler：将智能体任务生成视为“编译过程”，利用编译器思想优化任务规划与执行，这个探索方向我们认为是有价值和意义的并且非常有趣。

2、Computer/Browser Use：多智能体系统正从单一的内容生成向生产力工具集成方向演进，通过Computer Use/Browser Use扩展智能体能力边界。

3、World Model：通过世界知识增强大模型推理上下文，那么世界模型的设计和形态究竟如何，将是非常值得探索的过程。

4、More Connection,  Less Hallucination。图的确定性语义，可以多角度地增强智能体能力，降低智能体推理幻觉。

·END·

欢迎关注TuGraph代码仓库✨

TuGraph-DB 图数据库

https://github.com/tugraph-family/tugraph-db

GeaFlow 流式图计算引擎

https://github.com/tugraph-family/tugraph-analytics

Chat2Graph 图原生智能体系统

https://github.com/tugraph-family/chat2graph