FusionGraphRAGAgent实战：Plan-Execute-Report多智能体协作案例

【免费下载链接】graph-rag-agent 拼好RAG：手搓并融合了GraphRAG、LightRAG、Neo4j-llm-graph-builder进行知识图谱构建以及搜索；整合DeepSearch技术实现私域RAG的推理；自制针对GraphRAG的评估框架| Integrate GraphRAG, LightRAG, and Neo4j-llm-graph-builder for knowledge graph construction and search. Combine DeepSearch for private RAG reasoning. Create a custom evaluation framework for GraphRAG. 项目地址: https://gitcode.com/gh_mirrors/gr/graph-rag-agent

FusionGraphRAGAgent是一个基于Plan-Execute-Report架构的多智能体协作系统，它结合了GraphRAG、LightRAG和Neo4j-llm-graph-builder等技术，实现了知识图谱构建、搜索以及私域RAG推理。该系统通过多智能体协作，能够高效处理复杂查询，生成结构化报告。

什么是Plan-Execute-Report多智能体架构？

Plan-Execute-Report是一种先进的多智能体协作模式，它将复杂任务分解为三个主要阶段：规划（Plan）、执行（Execute）和报告（Report）。这种架构能够让多个智能体协同工作，共同解决复杂问题。

在FusionGraphRAGAgent中，这一架构通过agents/multi_agent/模块实现，核心组件包括Planner（规划器）、Executor（执行器）和Reporter（报告生成器）。

Plan-Execute-Report核心组件解析

1. Planner（规划器）：智能任务分解

Planner负责将用户查询转换为结构化的执行计划，主要包含以下子组件：

• Clarifier（澄清器）：识别查询中的歧义和不明确需求，生成澄清问题列表。
• TaskDecomposer（任务分解器）：将复杂查询分解为多个子任务，构建任务依赖图。支持多种任务类型，如local_search、global_search、hybrid_search等。
• PlanReviewer（计划审校器）：审核任务计划的合理性，优化任务顺序和参数，生成最终的PlanSpec。

核心数据模型为PlanSpec，包含计划唯一标识、版本号、问题陈述、假设前提、任务依赖图等信息。

2. Executor（执行器）：高效任务执行

Executor负责执行任务计划中的各个任务，主要包含以下执行器类型：

• RetrievalExecutor（检索执行器）：执行各类搜索任务，调用TOOL_REGISTRY中注册的搜索工具。
• ResearchExecutor（研究执行器）：执行深度研究任务，支持多步推理和证据链追踪。
• ReflectionExecutor（反思执行器）：基于AnswerValidationTool对执行结果进行质量评估。
• WorkerCoordinator（工作协调器）：调度和管理各类执行器，支持串行和并行两种执行模式。

3. Reporter（报告生成器）：结构化报告生成

Reporter负责将执行结果整合为结构化的长文档报告，其工作流程包括：

• OutlineBuilder（纲要生成）：基于任务计划和证据生成报告大纲。
• SectionWriter（章节写作）：基于证据生成章节内容，支持分批写作。
• Map-Reduce写作模式：将证据分批映射为摘要，再归约为连贯文本。
• 质量保障：包括一致性检查和引用格式化。

Reporter还实现了两级缓存机制，包括报告级缓存和章节级缓存，以提高性能。

实战案例：知识图谱推理问答

下面以一个实际案例来展示FusionGraphRAGAgent的工作流程。假设我们要查询"学生如何申请国家奖学金？"，系统将按照Plan-Execute-Report流程进行处理。

规划阶段（Plan）

Planner首先将查询分解为多个子任务，如：

1. 搜索国家奖学金的申请条件
2. 查找申请流程相关信息
3. 收集评选标准

执行阶段（Execute）

Executor根据任务计划执行搜索，获取相关证据。系统会调用知识图谱进行实体关系推理，例如发现"学生"、"上海市奖学金"和"国家奖学金"之间的关系。

报告阶段（Report）

Reporter将执行结果整合成结构化报告，包含申请条件、申请步骤和注意事项等内容。

快速上手FusionGraphRAGAgent

环境准备

首先，克隆项目仓库：

git clone https://gitcode.com/gh_mirrors/gr/graph-rag-agent

基础使用

创建FusionGraphRAGAgent并执行查询：

from graphrag_agent.agents.fusion_agent import FusionGraphRAGAgent

# 创建Agent（内部自动创建MultiAgentFacade）
agent = FusionGraphRAGAgent()

# 执行查询
result = agent.ask("复杂查询问题")
print(result)

高级配置

通过MultiAgentFactory进行自定义配置：

from graphrag_agent.agents.multi_agent.integration import MultiAgentFactory, MultiAgentFacade
from graphrag_agent.cache_manager import CacheManager

# 创建缓存管理器
cache_manager = CacheManager()

# 创建组件包
bundle = MultiAgentFactory.create_default_bundle(cache_manager=cache_manager)

# 创建Facade
facade = MultiAgentFacade(bundle=bundle, cache_manager=cache_manager)

# 执行查询
result = facade.process_query("复杂查询问题", assumptions=["假设1", "假设2"], report_type="long_document")

Plan-Execute-Report架构的关键特性

1. 任务依赖管理：自动验证任务依赖的合法性，检测循环依赖，生成拓扑排序执行序列。

2. 证据追踪与去重：统一的证据追踪器管理所有检索结果，按来源与粒度自动去重，优先保留高分证据。

3. 反思与重试机制：基于AnswerValidationTool自动质量评估，支持配置化的重试策略。

4. 分级缓存：报告级缓存基于证据指纹判断是否复用，章节级缓存支持部分章节独立复用。

5. Map-Reduce写作：支持证据映射、章节归约和并行处理，适应超长文档和大量证据场景。

6. 多模式执行：支持Sequential（串行）和Parallel（并行）两种执行模式。

总结

FusionGraphRAGAgent的Plan-Execute-Report多智能体协作架构为复杂查询处理提供了高效解决方案。通过将任务分解为规划、执行和报告三个阶段，系统能够充分发挥各智能体的优势，实现高效的知识检索和推理。无论是学术研究、企业决策还是智能问答，FusionGraphRAGAgent都能提供强大的支持，帮助用户快速获取准确信息，做出明智决策。

如果你对多智能体协作或知识图谱应用感兴趣，不妨尝试使用FusionGraphRAGAgent，体验Plan-Execute-Report架构带来的高效智能处理能力！

【免费下载链接】graph-rag-agent 拼好RAG：手搓并融合了GraphRAG、LightRAG、Neo4j-llm-graph-builder进行知识图谱构建以及搜索；整合DeepSearch技术实现私域RAG的推理；自制针对GraphRAG的评估框架| Integrate GraphRAG, LightRAG, and Neo4j-llm-graph-builder for knowledge graph construction and search. Combine DeepSearch for private RAG reasoning. Create a custom evaluation framework for GraphRAG. 项目地址: https://gitcode.com/gh_mirrors/gr/graph-rag-agent