#knowledge-graph Repositórios
210 repositórios no total
Transforme qualquer base de código em um grafo de conhecimento fundamentado em métodos formais. Seus agentes de IA obterão respostas precisas para qualquer tarefa relacionada a código, garantirão a correção e otimizarão o uso de tempo e tokens.
Dê aos seus agentes de IA uma memória persistente e coletiva — com absorção deduplicada, linhagem de substituição, pesquisa semântica e uma interface gráfica. Fala MCP.
O Wiki LLM local-first: construtor de grafos de conhecimento de código aberto, base de conhecimento RAG e armazenamento de memória para agentes. Construído com base no padrão de Andrej Karpathy. Uma alternativa ao Obsidian para gestão de conhecimento pessoal, um segundo cérebro de IA e memória durável para Claude Code / Codex / OpenClaw.
Grafo de conhecimento de projetos persistente para agentes de codificação. Servidor MCP com busca semântica, embeddings em processo e explorador web.
Exploração de arquiteturas de AGI de caixa branca: metacognição (ciclo de autoconsciência), aprendizagem contínua (volante do conhecimento), modelo do mundo (espaço condicional + grafo semântico espaço-temporal), autoaperfeiçoamento (disciplina de bootstrap), pipeline de caixa branca sem LLM e salvaguardas de confiança auditáveis.
PromptKG Family: Uma Galeria de trabalhos de pesquisa, ferramentas e lista de artigos relacionados a Prompt Learning e KG.
Memória persistente supervisionada por LLM para agentes de IA — recuperação baseada em grafos, conhecimento entre sessões e um único binário. Funciona com DeepSeek Harness, Claude Code, OpenClaw e qualquer ambiente de execução de agentes.
Neste projeto, explorei como extrair grafos de conhecimento de texto usando LLMs, como o OpenAI GPT4o.
Geração Configurável de Esquemas Sintéticos e Grafos de Conhecimento ao Seu Alcance
Graph Data Science: uma camada de abstração em Python para construir knowledge graphs, integrada com bibliotecas populares de grafos – sobre Pandas, NetworkX, RAPIDS, RDFlib, pySHACL, PyVis, morph-kgc, pslpython, pyarrow, etc.
Usar GPT para organizar e acessar informações e gerar perguntas. O objetivo de longo prazo é criar um assistente de pesquisa semelhante a um agente.
Deepseek Harness, um plugin de memória baseado em grafo de conhecimento para OpenClaw. Convidado para ser apresentado em um simpósio da Universidade Tsinghua em abril de 2026. Grafo de conhecimento + memória; mecanismo de contexto baseado em grafo de conhecimento para OpenClaw — extrai triplas estruturadas das conversas, comprime o contexto em 75% e permite reutilizar experiências entre sessões.
A plataforma de aplicação de Grafo de Conhecimento low-code. Licença Apache.
Lista de artigos sobre incorporação hiperbólica, modelos hiperbólicos e aplicações hiperbólicas.
🔗 Semantic MediaWiki transforma o MediaWiki em uma plataforma de gerenciamento de conhecimento com recursos de consulta e exportação
Destile seus conhecimentos, memórias e decisões em um gêmeo de agente de IA de código aberto e inspecionável.
Geração e revisão de especificações com tecnologia de IA usando inteligência de grafo de código multi-repositório para equipes de backend que publicam em produção.
🍇 GRAPE é uma biblioteca Rust/Python de Aprendizado de Representação de Grafos para Previsões e Avaliações
Faça perguntas sobre suas notas Markdown usando um mecanismo Graph RAG totalmente local. Desenvolvido para cofres do Obsidian, funciona com qualquer pasta de arquivos Markdown. Extrai triplas de entidade-relação dos wikilinks e do frontmatter YAML, e recupera respostas por meio de uma busca híbrida (vetorial + BM25 + temporal). Multilíngue. Sem nuvem. Funciona no Ollama.
Base de conhecimento RAG empresarial com prioridade para o chinês: análise controlável, governança, segmentação, recuperação híbrida, reranking, citações, grafos de conhecimento, avaliação e integração com o Dify.
Um sistema de memória nativo em grafos para agentes de IA e grafos de contexto. Armazene conversas, crie grafos de conhecimento e permita que seus agentes aprendam com o próprio raciocínio — tudo baseado no Neo4j.
Este é o repositório oficial do github do Think-on-Graph (ICLR 2024). Se você estiver interessado em nosso trabalho ou disposto a ingressar em nossa equipe de pesquisa em Shenzhen, sinta-se à vontade para nos contatar por e-mail ([email protected])
Grafo de código e memória para seus agentes de programação, em um único programa Rust. Para Claude Code, Codex, Cursor e qualquer cliente MCP.
O Grafo de Conhecimento Clínico (CKG) é uma plataforma com um duplo objetivo: 1) construir um banco de dados de grafos com dados experimentais e dados importados de diversas bases de dados biomédicas 2) automatizar a descoberta de conhecimento utilizando toda a informação contida no grafo
O CTX Fit encontra a configuração de programação com IA mais barata que funciona de forma confiável no seu repositório e, em seguida, aplica a opção vencedora como uma alteração passível de revisão.
Exemplos de grafos de conhecimento de Excel para Neo4j: py2neo v3 legado e o moderno Neo4j GraphRAG/busca vetorial.
Orquestração de fluxo de trabalho orientada por intenção para desenvolvimento de IA multiagente — mecanismo de ciclo de vida adaptativo, grafo de conhecimento auto-reforçado e painel visual para Claude Code, Gemini, Codex e mais
Caura (anteriormente MemClaw) — memória compartilhada governada para frotas de agentes de IA. Multiagente, multilocatário e nativa do MCP. Níveis de confiança, políticas fundamentais, trilhas de auditoria, grafo de conhecimento e recuperação com autoaperfeiçoamento. Apache 2.0.
código e documentação para o artigo da EMNLP "DeepPath: Um Método de Aprendizagem por Reforço para Raciocínio em Grafos de Conhecimento"
BrainAPI é uma camada de memória de IA orientada por um grafo de conhecimento que transforma dados não estruturados em conhecimento estruturado, possibilitando pesquisa inteligente, recomendações e memória contextual para agentes e aplicações de IA.
(visão geral (subjetiva) de projetos relacionados tanto a python quanto a tecnologias semânticas (RDF, OWL, Raciocínio, ...))
CRSLab é um kit de ferramentas de código aberto para construir Sistemas de Recomendação Conversacional (CRS).
GraphRAG-rs é uma implementação Rust de alto desempenho e estado da arte do GraphRAG (Geração Aumentada por Recuperação Baseada em Grafos) que constrói grafos de conhecimento a partir de documentos e permite consultas em linguagem natural com extração configurável de entidades e integração local de LLM
Estação de trabalho criativa de IA full-stack com prioridade local: cinco módulos — chat com IA, quadrinhos com IA, criação de dramas em quadrinhos, espaço de escrita e aprendizagem de conhecimentos; inferência local com vários mecanismos (vLLM / llama.cpp / Transformers), gerenciamento inteligente da VRAM, isolamento por compartimentos e autorrecuperação. Apenas para fins de aprendizagem; comentários e sugestões são bem-vindos. (Devido a restrições do protocolo, os avanços mais recentes, com exceção do sistema de plugins, não podem ser enviados ao repositório por enquanto.)
Uma extensão do SQLite que adiciona recursos de banco de dados de grafos, suporte à linguagem de consulta Cypher e algoritmos de grafos integrados.
Sistema RAG híbrido que combina pesquisa vetorial, um grafo de conhecimento (LightRAG) e reclassificação com cross-encoder, com análise de documentos por meio do Docling, inteligência visual (geração de legendas para imagens e tabelas), chat agêntico em streaming e citações incorporadas. Desenvolvido com modelos Gemini ou Ollama locais.
🧠 Sistema de exame personalizado com tecnologia de IA: integração de LLM OpenPangu, RAG de grafos de conhecimento e algoritmo BKT para geração e recomendação adaptativa de questões. Sistema inteligente de criação de questões baseado em LLM e grafos de conhecimento.
Memória de agente de IA com prioridade local, grafo de conhecimento, restrições ontológicas e raciocínio rastreável — tudo em um único arquivo SQLite.
Inteligência estrutural de código para agentes de IA: busca semântica, grafos de conhecimento e um servidor MCP integrado em um único binário Rust. Permita que o Claude, o Cursor e qualquer cliente MCP compreendam profundamente sua base de código.