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

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。

向量检索的短板

传统 RAG 的做法：文档切块，向量化，塞进向量库，问问题取 top-k。

这方法对简单问答够用，但有个硬伤：只能找到语义相近的内容，理解不了文档之间的关系。

你问「这个需求跟之前哪个模块有关联」，向量检索答不了。知识图谱把实体和关系存成图结构，Agent 能顺着关系推理。

四个方案

方案	核心思路	数据来源	官方链接
gbrain	Git + Postgres 做持久化知识图谱	人工录入 + Agent 自动更新	github.com/garrytan/gbrain
GraphRAG	知识图谱 + RAG 检索增强	文档自动提取图谱	microsoft.github.io/graphrag
LLM Wiki	LLM 维护的 Markdown 知识库	人工维护 + LLM 增量更新	github.com/nashsu/llm_wiki
Graphify	从代码库自动生成知识图谱	代码静态分析 + 语义提取	graphify.net

gbrain：Agent 的持久化记忆

gbrain 是 Garry Tan 开源的方案，最初为 OpenClaw 设计的 Agent 记忆层。

用 Postgres 存图结构，Git 做版本控制。Agent 学到新知识就写入图谱，Git 提交记录变更。

                     

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
• 跟 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。先用 LLM 从文档里提取实体和关系建图谱，检索时顺着图谱找关联上下文，再让 LLM 生成回答。

                     

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

文档量大的时候优势最明显。普通 RAG 只能做局部匹配，GraphRAG 能回答「总结整个语料库的主题」这类全局问题。

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，不是实时的
• 提取实体和关系这一步本身费 token 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。文档经常更新的场景不太适合。

LLM Wiki：极简知识库

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，结果增量更新回去。

                     

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。纯 Markdown 文件，任何编辑器都能打开，没有数据库依赖。知识沉淀过程透明，人随时能直接编辑。

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降
• 多人同时编辑同一页面时 LLM 可能覆盖别人的修改

个人用或者小团队够用，追求轻量和可控的场景是首选。

Graphify：代码库知识图谱

Graphify 从代码仓库自动生成知识图谱。静态分析提取函数调用和类继承关系，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

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，回答准确度明显提升。

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

维度	gbrain	GraphRAG	LLM Wiki	Graphify
部署难度	中（需要 Postgres）	高（需要 LLM 索引）	低（纯 Markdown）	中（需要代码分析）
图谱构建	手动 + Agent	自动从文档提取	LLM 增量维护	自动从代码提取
检索能力	Agent 记忆查询	全局图谱检索	语义检索	结构导航
更新频率	实时	低（需重建索引）	实时	按需
可观测性	Git 版本历史	图谱可视化	文件 diff	图谱可视化
适用规模	中小	大	小	中大

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。根据实际场景选即可。

免责声明：本文内容仅为个人学习分享，提及的工具/服务仅限合法合规使用，如有侵权请联系删除。

感谢你的阅读。

如果这篇文章对你有帮助，欢迎：

• 点赞支持
• 分享给朋友
• 在评论区分享你的想法

关注「AI 工程化实战派」，不空谈虚概念，只输出务实干货。

期待和你的交流！

登录查看剩余 70% 内容