从多模态文档解析到 LightRAG 知识图谱，从五维 RAG 索引到 AI Agent MCP，ApeRAG 提供完整的 GraphRAG 技术栈
深度改进的 LightRAG 实现，内置实体归一化与合并，自动从文档中提取实体与关系构建知识图谱，支持多跳推理，RAG 回答准确率显著高于传统向量检索。
基于 MinerU 技术，高精度解析 PDF、Word、PPT、表格、公式及科学文献，支持图片与图表视觉理解，为 GraphRAG 知识图谱构建提供高质量的文档输入。
提供 Vector（向量）、Full-text（全文）、Graph（知识图谱）、Summary（摘要）、Vision（视觉）五种 RAG 索引，多维度并行检索，按场景灵活组合，兼顾精准率与召回率。
内置 AI Agent 支持 MCP（Model Context Protocol）工具协议，可自动识别相关知识库、智能 RAG 检索并结合网络搜索，实现端到端智能问答。
提供 Helm Chart 与 KubeBlocks 集成，一键部署 PostgreSQL、Redis、Qdrant、Elasticsearch、Neo4j 等 RAG 依赖组件，支持私有化与生产环境 K8s 部署。
内置审计日志、LLM 模型管理、知识图谱可视化、文档管理界面和 Agent 工作流管理，满足企业合规与 GraphRAG 平台运营需求。
ApeRAG 实现了 MCP（Model Context Protocol）服务端，任何支持 MCP 的 Agent 平台均可将 ApeRAG 知识库作为工具直接调用
任何实现了 MCP 客户端协议的 Agent 或 IDE 插件，均可通过标准接口接入 ApeRAG 知识库。
快速接入：在 ApeRAG 控制台开启 MCP Server，将生成的 endpoint 地址配置到对应 Agent 平台的 MCP 设置中即可完成接入，无需修改代码。
知识图谱赋予 RAG 多跳推理能力，让复杂问题得到真正准确的回答
基于向量相似度匹配文本块
缺乏实体间语义关联
单文档局部理解
无法回答多跳推理问题
对复杂问答准确率有限
知识图谱 + 向量双重检索
实体关系图谱自动构建
跨文档语义关联理解
支持多跳关系推理
五维索引覆盖复杂问答场景
关于 GraphRAG、LightRAG、知识图谱 RAG 的常见问题
GraphRAG（Graph Retrieval-Augmented Generation）是在传统 RAG 基础上引入知识图谱的增强技术。它将文档中的实体与关系提取并构建成图结构，检索时不仅匹配语义向量，还能沿图边进行多跳推理，从而回答需要跨文档、多步骤推理的复杂问题，准确率远高于单纯的向量 RAG。
传统 RAG 基于向量相似度检索独立文本块，缺乏实体间的语义关联，对复杂问题容易产生片面或错误的回答。GraphRAG 在向量检索的基础上增加了知识图谱层，能够理解"A 与 B 的关系""C 属于哪个类别"等实体关系，并通过图遍历实现多跳推理，适合企业知识库、专业领域问答等对准确性要求较高的场景。
LightRAG 是一种轻量级 GraphRAG 实现框架，通过双层检索（局部 + 全局知识图谱）提升 RAG 的回答质量。ApeRAG 基于 LightRAG 进行了深度改进，新增实体归一化与合并、多模态文档解析、五维索引、企业级权限管理等生产级能力，并支持私有化 Kubernetes 部署，是面向企业场景的生产级 GraphRAG 平台。
支持。ApeRAG 提供完整的 Helm Chart，可在私有化 Kubernetes 环境中一键部署，包括 PostgreSQL、Redis、Qdrant、Elasticsearch、Neo4j 等所有依赖组件。数据完全存储在企业自有环境中，满足金融、医疗、政务等行业的数据主权与合规要求。
知识图谱 RAG（GraphRAG）特别适合：企业内部跨文档知识问答、法律/医疗/金融等专业领域的复杂问题推理、产品手册与技术文档的深度检索、代码库与架构文档理解等需要多跳关系推理的场景。对于简单的单文档问答，传统向量 RAG 已经足够；当问题涉及多文档关联、时序关系或实体属性推理时，GraphRAG 优势明显。
接入内部文档、产品手册、规章制度，通过 GraphRAG 知识图谱构建语义关联，员工可自然语言提问、获取跨文档的准确答案。
基于产品文档与历史工单构建 RAG 知识库，结合 LightRAG 多跳推理实现多轮对话式客服，显著提升响应效率与答案准确率。
批量处理合同、报告、学术文献，GraphRAG 自动提取实体关系、生成结构化摘要与跨文档对比分析。
索引代码仓库与技术文档，构建代码知识图谱，帮助开发团队快速理解存量代码、生成注释与 RAG 辅助开发。
