四大知识图谱方案对比：Gbrain、GraphRAG、LLM Wiki与Graphify选型

面对知识图谱方案选择难题，本文帮你理清四大主流工具的核心差异与适用场景。
核心内容：
1. 传统向量检索的短板与知识图谱的优势
2. 四种方案（gbrain、GraphRAG、LLM Wiki、Graphify）的核心思路与数据来源对比
3. 各方案的典型应用场景与选择建议

gbrain、GraphRAG、LLM Wiki、Graphify：4 种知识图谱方案怎么选

「怎么给 Agent 喂知识」是团队落地 AI 时的核心问题。gbrain、GraphRAG、LLM Wiki、Graphify 四个方案各自解决不同的需求，选对工具，事半功倍。

向量检索的短板

传统 RAG 的做法其实挺直接的：把文档切块、向量化，塞进向量库，然后用户提问就去捞 top-k。对简单问答场景，这套流程够用了。但问题在于，它只能找到语义上最相似的内容，理解不了文档之间的关联关系。

举个例子，你问「这个需求跟之前哪个模块有关联」，向量检索直接傻眼。知识图谱则不同，它把实体和关系存成图结构，Agent 可以顺着关系链条一路推理。所以，当我们面临复杂问题，知识图谱的价值就凸显出来了。

四个方案

gbrain：Agent 的持久化记忆

gbrain 是 Garry Tan 开源的项目，最初是为 OpenClaw 设计的 Agent 记忆层。它的思路很清晰：用 Postgres 存图结构，Git 做版本控制。Agent 学到新知识后，直接写入图谱，Git 自动记录变更。

1Agent 对话 → 提取实体和关系 → 写入 Postgres → Git commit 记录变更

特点：

• Agent 跨对话不丢上下文
• Git 版本控制天然支持回滚
• 与 OpenClaw 生态集成紧密，脱离 OpenClaw 使用成本较高

成本：

• 需要部署 Postgres
• 图谱初始化需手动完成，历史数据迁移成本较高

适合多 Agent 协作、需要共享记忆的团队。

GraphRAG：文档级全局检索

GraphRAG 是微软的方案。核心流程是先用 LLM 从文档集合里提取实体和关系，构建知识图谱。用户提问时，检索系统会顺着图谱找到关联上下文，再让 LLM 生成最终回答。

123文档集合 → LLM 提取实体/关系 → 构建知识图谱

用户提问 → 图谱检索关联上下文 → LLM 生成回答

文档量大的时候，它的优势就特别明显。普通 RAG 只能做局部匹配，而 GraphRAG 能回答「总结整个语料库的主题」这类全局性问题。

代价：

• 索引时间长，文档量过千页首次索引要几个小时
• 更新图谱需要重新跑提取流程，做不到实时
• 提取实体和关系这一步本身费 token 也费时间

适合有固定文档集合、需要做全局分析的场景，比如企业知识库、法律文档。但文档频繁更新的话，这套方案就不太合适了。

LLM Wiki：极简知识库

这是 Karpathy 提出的思路：用 LLM 当编译器，维护一个 Markdown 知识库。每次对话先检索相关内容，然后根据新信息增量更新回知识库。

123用户提问 → 检索 Wiki 相关页面 → LLM 结合上下文回答

新信息 → LLM 决定更新哪个页面 → 写入 Markdown 文件

这个方案最轻量。纯 Markdown 文件，任何编辑器都能打开，没有数据库依赖。知识沉淀过程完全透明，人随时可以手动编辑。

局限：

• 没有真正的图结构，关系靠 LLM 的语义理解
• 知识库大了检索效率会下降
• 多人同时编辑同一页面时，LLM 可能覆盖别人的修改

个人或小团队够用，追求轻量和可控的场景是首选。

Graphify：代码库知识图谱

Graphify 专门从代码仓库自动生成知识图谱。它先用静态分析提取函数调用、类继承关系，再结合语义分析理解代码意图。

1代码仓库 → 静态分析 → 提取函数/类/模块关系 → 生成知识图谱

它只做代码相关的图谱，不处理业务文档。AI 编程助手顺着图谱理解项目结构，回答准确度提升很明显。

局限：

• 不处理业务文档
• 主流语言（Python、TypeScript、Go）支持没问题，小众语言需要自己写解析器
• 大项目图谱构建时间不短，建议用增量构建

适合大项目需要 AI 辅助开发和代码导航的场景。

对比

选型

• 要 Agent 跨对话记忆：gbrain
• 要文档全局检索：GraphRAG
• 要轻量个人知识库：LLM Wiki
• 要代码理解：Graphify

四个方案定位完全不同，不存在谁替代谁的问题。关键是厘清需求——是记忆持久化，还是文档全局检索，或是代码导航——然后对号入座即可。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：四大知识图谱方案对比：Gbrain、GraphRAG、LLM Wiki与Graphify选型要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题