易图（YiGraph）

---

📖 项目介绍

易图（YiGraph）是一套端到端的图数据分析智能体系统，用于帮助用户从复杂数据中快速洞察关键关联关系。

易图能够从日志、文档、表格等多类原始数据中，自动抽取实体与关系，构建结构化的图数据；用户只需通过自然语言描述业务问题，系统即可自动规划分析流程，完成计算，并生成清晰、可解释、可追溯的分析报告。

在系统内部，大语言模型负责理解用户意图、拆解分析任务并组织最终输出；而支撑分析结果可靠性的核心技术是 AAG（Analytics-Augmented Generation，分析增强生成）框架。AAG 将分析计算作为核心能力，在关键环节调用图算法与图系统完成可验证的计算，再由模型对结果进行解释与汇总。

因此，易图并非只”回答问题”的对话式 AI，而是一套能够将业务问题转化为可执行、可复核分析流程的图分析智能体。

适用场景

易图可灵活适配不同行业与业务需求，覆盖多类复杂关联数据分析场景，包括但不限于：

• 金融反洗钱与可疑交易分析：将海量交易流水自动构建为交易网络，识别异常资金路径与可疑交易环路
• 电商风控与羊毛党识别：融合账号、设备、地址等多源数据建图，发现团伙化作弊与关联作恶行为
• 企业关联与风险排查：通过企业、股权、交易等关系建图，穿透复杂结构，识别潜在合规与经营风险
• 园区/城市事件分析：将门禁、轨迹、事件数据统一建图，还原人员关系与事件演化过程
• 供应链风险分析：整合企业与交易数据构建供应链网络，定位隐蔽关联风险及传导路径

---

⚡ 核心功能

1. 知识驱动的任务规划

系统会先理解用户问题”想解决什么”，再把它拆成可执行的分析步骤：

• 需要哪些数据字段与关系
• 该构建怎样的图（哪些实体、哪些关系）
• 该用哪些分析方法与参数
• 分析结果需要如何解释与呈现

你不需要懂图算法，系统会把”我要查什么”转成”怎么做分析”。

2. 以算法为核心的可靠执行

易图不会让模型随意”写一段不可控的代码再去跑”。相反，它会以”可验证的算法模块”为中心进行调用与组合，让每一步分析：

• 可复现：同样输入得到稳定一致的输出
• 可追溯：知道用了哪些算法、跑了哪些步骤
• 更可靠：关键计算由专业模块完成，而不是纯文本推理

3. 任务感知的图构建

易图不会把所有原始数据不加区分地建成一张大图。它会根据当前任务需要，选择性抽取与构建”与问题相关的实体与关系”，避免无关结构干扰分析，并把图组织成更适合执行的形式，从而提升效率与结果质量。

4. 丰富的图算法库

内置 200+ 种图算法，覆盖 21 大类别，为各类图分析场景提供专业算法支持；下表仅列举其中的部分代表性类别，完整列表请参见在线文档。

算法类别	算法数量	典型算法	应用场景
Basics（基础算子）	10 个	BFS、DFS、拓扑排序、DAG 判定、祖先/后代查询	图结构校验、依赖分析、层级遍历
Path（路径算法）	13 个	Dijkstra、Bellman-Ford、Floyd-Warshall、欧拉路径、DAG 最长路径	路径规划、关系链分析、关键路径
Centrality（中心性算法）	14 个	PageRank、介数中心性、接近中心性、特征向量中心性、HITS、VoteRank	关键节点识别、影响力评估、种子选择
Connectivity & Components（连通性与组件）	13 个	连通分量、强连通分量、割点/割边、最小割、节点/边连通度	网络稳健性、脆弱性分析、孤岛识别
Clustering & Community（聚类与社区）	17 个	Louvain、Leiden、标签传播、k-clique、Girvan-Newman、聚类系数、环检测	圈层识别、团伙发现、紧密度分析
Tree & Spanning Tree（树与生成树）	3 个	最小生成树、最大生成树、随机生成树	网络骨架提取、成本优化
Flow & Cut（流与割）	5 个	Edmonds-Karp、最大流、最小割、Gomory-Hu 树	容量规划、瓶颈分析、网络韧性
Matching & Coloring（匹配与着色）	6 个	最大/最小权重匹配、贪心着色、最小边覆盖	资源分配、冲突检测、任务调度
Cliques & Cores（团与核）	4 个	极大团枚举、最大权重团、k-core、核数计算	紧密群体发现、核心成员识别
Distance & Measures（距离与结构度量）	8 个	离心率、直径、半径、中心/边缘、维纳指数、同配系数	网络体检、拓扑对比、结构偏好分析
Graph Query（图查询）	8 个	节点查询、关系过滤、邻居查询、路径查询、共同邻居、子图抽取、聚合统计	数据获取与筛选、交互式探索、风控排查

详细的算法说明和使用指南请参考 📚 在线文档

5. 灵活的数据支持

支持多种数据源输入：

• 图数据
• 文本数据：文档、日志、报告等非结构化数据

系统会自动从原始数据中抽取实体与关系，构建结构化的图数据。

6. 多种运行模式

• 普通模式：用户只需提交业务问题，易图会自动完成问题解析、选择合适的图算法并执行计算，最终生成分析报告，适合非技术背景或一般业务用户使用。
• 交互模式：用户与易图协同完成业务问题分析。对于给定问题，易图会与大模型交互共同确定计算流程与图算法，再依据确定好的方案完成计算并反馈分析报告，适合对业务和图算法都有一定了解的进阶用户。
• 专家模式：用户直接给出业务问题以及解决思路、计算步骤与图算法，易图根据用户提供的方案执行计算并输出分析报告，适合深度掌握业务与图算法的专家用户。

---

🎯 版本发布

v1.1.0 (当前版本)

核心能力

• ✅ 完整的图计算引擎（基于 NetworkX 和 Neo4j）
• ✅ 智能任务规划与执行
• ✅ 100+ 种图算法支持，覆盖 11 大类别
• ✅ 多数据源支持（图/文本）
• ✅ 交互式对话界面

路线图

v2.0.0（计划中）

• 🔄 交互体验更强的用户页面
• 🔄 支持算法知识库的动态扩展与持续更新

---

🚀 快速开始

1. 准备环境

1.1 Python 版本要求

• Python >= 3.11

请确认当前 Python 版本满足要求：

python --version
# 或
python3 --version

1.2 使用 Conda 创建虚拟环境(推荐)

conda create -n AAG python=3.11
conda activate AAG

1.3 Neo4j 安装与配置

易图需要使用 Neo4j 作为图数据库。本指南使用 Neo4j 3.5.25 版本。

1.3.1 Java 版本要求

Neo4j 3.5.25 需要 Java 8 或 Java 11。请先检查 Java 版本：

java -version

如果未安装 Java，请先安装对应版本。

1.3.2 下载与解压 Neo4j

1. 从官网下载 Neo4j 3.5.25 安装包（通常是 .tar.gz 或 .zip 格式）
2. 解压安装包到指定位置：

Linux/Mac 系统（.tar.gz 格式）：

tar -xzf neo4j-community-3.5.25-unix.tar.gz
cd neo4j-community-3.5.25

Windows 系统（.zip 格式）：

• 右键点击压缩包，选择”解压到当前文件夹”
• 或使用命令：unzip neo4j-community-3.5.25-windows.zip
• 进入解压后的目录

1.3.3 配置 Neo4j

进入 conf 目录，编辑 neo4j.conf 配置文件：

cd conf

在 neo4j.conf 中添加或修改以下配置：

dbms.connectors.default_listen_address=0.0.0.0
dbms.connectors.default_advertised_address=localhost
dbms.connector.bolt.listen_address=0.0.0.0:7687
dbms.connector.http.listen_address=0.0.0.0:7474
dbms.connector.https.enabled=true

1.3.4 启动与停止 Neo4j

进入 bin 目录，执行启动或停止命令：

启动 Neo4j：

cd bin
./neo4j start

停止 Neo4j：

./neo4j stop

启动 Neo4j 后，可以通过浏览器访问 http://localhost:7474 来验证安装是否成功。

2. 获取源码并安装依赖

2.1 下载源码

git clone https://github.com/iDC-NEU/YiGraph.git
cd YiGraph

2.2 安装依赖

pip install -r requirements.txt

3. 配置系统参数

3.1 配置推理与检索引擎

编辑配置文件：

config/engine_config.yaml

示例配置如下：

# 运行模式： interactive / batch
mode: interactive

# 推理模块配置
reasoner:
  llm:
    provider: "openai"   # 可选：ollama / openai
    openai:
      base_url: "https://your-api-endpoint/v1/"
      api_key: "your-api-key"
      model: "gpt-4o-mini"

# 检索模块配置
retrieval:
  database:
    graph:
      space_name: "AMLSim1K"
      server_ip: "127.0.0.1"
      server_port: "9669"
    vector:
      collection_name: "graphllm_collection"
      host: "localhost"
      port: 19530
  embedding:
    model_name: "BAAI/bge-large-en-v1.5"
    device: "cuda:2"
  rag:
    graph:
      k_hop: 2
    vector:
      k_similarity: 5

3.2 配置数据集

编辑配置文件：

config/data_upload_config.yaml

示例配置如下：

datasets:
  - name: AMLSim1K
    type: graph
    schema:
      vertex:
        - type: account
          path: "/path/to/accounts.csv"
          format: csv
          id_field: acct_id
      edge:
        - type: transfer
          path: "/path/to/transactions.csv"
          format: csv
          source_field: orig_acct
          target_field: bene_acct

请将 path 修改为你本地真实的数据文件路径。

4. 启动易图

重要提示： 在启动易图之前，请确保 Neo4j 数据库已经启动并正常运行。如果 Neo4j 未启动，易图将无法连接到图数据库。请参考 1.3.4 启动与停止 Neo4j 部分启动 Neo4j。

易图支持以下两种运行模式：

• Web 交互模式（推荐） 通过浏览器进行交互式分析，适合日常使用、演示与业务分析场景。

• 终端交互模式（Terminal） 通过命令行进行交互，适合开发调试、快速验证与批量测试场景。

4.1 Web 交互模式

在项目根目录下执行以下命令启动 Web 服务：

python web/frontend/run.py

启动成功后，终端会输出可访问的服务地址。请根据提示在浏览器中打开对应地址，即可进入易图的 Web 界面。

在 Web 界面中，用户可以通过自然语言输入业务问题，系统将自动完成分析流程，并展示分析结果与报告。

Web 界面使用说明

使用易图 Web 界面进行分析的基本步骤如下：

1. 开始对话：开启一个新对话或者从历史记录中选择一个现有对话。

2. 选择模式：选择最适合您的模式。

3. 选择数据集：会将您上传好的数据集列举出来。例如：DocumentDemo。

4. 输入您的请求：在输入框中输入您的指令或问题。请尽可能清晰和具体。

5. 提交：点击发送按钮。

6. 监控进度：在主聊天区观察状态更新（运行中、规划中、分析中等）。

7. 查看结果：处理完成后，结果将显示在主聊天区。然后您可以提出后续问题或开始新的请求。

数据集管理

在 Web 界面中，您可以方便地管理数据集：

1. 创建数据集：点击”创建”按钮。

2. 填写数据集信息：

   • 输入数据集的名称
   • 选择数据集中文件的类型

3. 上传数据文件：根据选择的文件类型上传相应的数据文件。

4. 保存数据集：完成配置后保存，数据集将在对话中可供选择使用。

文件管理

在文件管理界面中，您可以对数据集中的文件进行管理和可视化：

1. 选择数据集：从下拉列表中选择对应的数据集。

2. 上传文件：向选定的数据集中上传文件。

3. 查看解析进度：系统会显示文件的解析进度，实时反馈处理状态。

4. 可视化知识图谱：文件解析完成后，点击”可视化”按钮，即可查看该数据集对应的知识图谱可视化展示。

4.2 终端交互模式（Terminal）

如果希望直接通过命令行与易图进行交互，可在项目根目录下执行：

python aag/main.py

启动后，系统将进入终端交互模式。用户可按照终端提示输入问题，易图将在命令行中完成分析并输出结果。

终端交互使用说明

使用终端交互模式的基本步骤：

1. 查看可用数据集：通过指令查看系统中有哪些可用的数据集。

2. 选择数据集：根据提示选择要使用的数据集。

3. 输入问题：直接在终端中输入您的业务问题或分析需求。

4. 查看结果：系统会在终端中实时显示分析过程和最终结果。

该模式主要用于开发调试、算法验证或快速测试场景。

5. 使用易图

无论采用 Web 模式还是终端模式，易图的基本使用流程一致：

• 启动对应的运行模式
• 根据提示输入自然语言业务问题
• 系统自动完成任务理解、分析执行与结果生成

更多高级功能、参数说明与使用示例，请参考项目的 README 文档或界面中的操作提示。

6. 常见问题建议

• GPU 设备不可用：请确认 embedding.device 设置正确
• 端口冲突：检查图数据库与向量数据库服务是否已启动
• 模型无法加载：确认 API Key 与模型名称是否有效

📖 文档与资源

📚 在线文档

访问完整的用户手册和开发者指南：

http://iDC-NEU.github.io/YiGraphDocs/

文档内容包括：

• 快速入门：系统安装、配置和基本使用
• 核心概念：AAG 框架原理和架构设计
• 算法文档：200+ 种图算法的详细说明和使用示例
• API 参考：完整的 API 接口文档
• 最佳实践：典型场景的分析案例和经验总结

📞 联系我们

贡献指南

我们欢迎各种形式的贡献：

• 🐛 报告 Bug
• 💡 提出新功能建议
• 📝 改进文档
• 🔧 提交代码

社区交流

---

📚 引用

如果您在研究中使用了易图（YiGraph）或 AAG 框架，请引用我们的论文：

@article{YiGraph2026,
  title={Towards Autonomous Graph Data Analytics with Analytics-Augmented Generation},
  author={Qiange Wang, Chaoyi Chen, Jingqi Gao, Zihan Wang, Yanfeng Zhang, Ge Yu},
  journal={arXiv preprint arXiv:2602.21604},
  year={2026}
}

致谢

本项目受益于以下开源项目：

• NetworkX - 图分析和算法库
• PyTorch Geometric - 图深度学习框架
• NebulaGraph - 分布式图数据库
• Milvus - 向量数据库
• LlamaIndex - RAG 框架

感谢所有贡献者的辛勤付出！

---

📄 许可证

本项目采用 MIT License 开源协议。

---

---