易图（YiGraph）

---

📖 项目介绍

易图（YiGraph）是东北大学 iDC 实验室自主研发的一套端到端的图数据分析智能体系统，面向金融风控、纪检监察、电信网络分析、企业风险排查、供应链分析、日志溯源等复杂关联数据分析场景，帮助用户从多源数据中快速发现关键节点、异常路径、隐蔽关联和风险链路。

易图能够从日志、文档、表格、交易流水等原始数据中自动抽取实体与关系，构建结构化图数据。用户只需使用自然语言描述业务问题，系统即可自动完成任务理解、流程规划、图构建、算法执行、结果解释和报告生成。

易图的核心是 AAG（Analytics-Augmented Generation，分析增强生成） 框架。AAG 将大语言模型的语义理解能力与可验证的图算法执行能力深度融合，使业务人员只需用自然语言提问，即可自动完成从多源数据构图、智能分析到可追溯报告生成的全流程，降低图分析技术的使用门槛，为真实业务场景中的复杂关系分析和业务决策提供高效、易用、自驱动的解决方案。

因此，YiGraph 不是普通的问答式 AI 工具，而是一套面向真实业务场景的 图数据分析智能体系统。

---

🎬 项目演示视频

下面的视频展示了 YiGraph 从数据接入、图谱构建、自然语言任务输入、图分析流程执行，到最终分析报告生成的完整过程，体现了 YiGraph 作为端到端图数据分析智能体系统的核心能力。

---

🏆 项目建设与开源证明

YiGraph 项目自 2025 年 7 月 起在 GitHub 创建并持续建设，核心架构与 AAG 理念自 2025 年 10 月 起通过会议报告、实验室公众号等渠道对外公开介绍。此后，项目持续在 GitHub / GitLink 上进行代码维护，并通过公众号、小红书、技术报告、应用 Demo 和交流群等方式开展持续宣传与社区交流，证明项目具备较长时间的建设基础、公开传播记录和持续维护过程。 项目已在 GitHub 开源，并同步托管至 GitLink 参与 CCF ODTC 开源激励计划。

1. 项目创建与持续维护

证明 YiGraph 项目自 2025 年 7 月起开始建设，并在 GitHub / GitLink 上持续进行代码提交、文档更新和功能迭代。

仓库创建时间	首次 Commit	Commit 记录

用户文档建设	用户文档更新记录

2. 社区宣讲与公开传播

证明 YiGraph / AAG 核心理念自 2025 年 10 月起已通过公众号、会议报告、小红书等渠道对外公开展示，并持续进行项目介绍、应用场景说明和 Demo 展示。

公众号首次公开	2025年10月 CNCC 报告展示	2025年12月中国数据大会报告展示

公众号推文	小红书笔记

3. 开源协作与社区交流

证明 YiGraph 已具备一定的开源协作基础和社区交流记录，包括 Pull Request、Issue、Star / Fork / Watch、微信交流群讨论、用户反馈和应用 Demo 交流等。

Pull Request	Star / Fork / Watch	微信交流群

🌟 开源价值

YiGraph 面向图数据智能分析这一通用需求，提供从自然语言问题到图分析报告生成的端到端开源实现。项目不仅开放核心代码和算法能力，也提供用户文档、运行示例、应用 Demo 和社区交流渠道，便于开发者、研究者和行业用户复现、使用和扩展。

YiGraph 的开源价值主要体现在：

• 降低图数据分析的使用门槛；
• 提供可复现、可追溯的图分析智能体实现；
• 沉淀 200+ 图算法能力和典型应用流程；
• 支持金融风控、纪检监察、电信网络、电商风控、供应链分析等多类场景扩展；
• 便于社区围绕图数据智能分析、AAG 框架和行业 Demo 进行二次开发。

---

🎯 适用场景

YiGraph 可灵活适配多类复杂关联数据分析任务，包括但不限于：

• 金融反洗钱与可疑交易分析：将交易流水构建为交易网络，识别异常资金路径、可疑交易闭环、资金回流链路和高风险账户。
• 纪检监察关联核查：融合人员、企业、交易、项目、房产等多源数据，发现隐蔽关联、异常资金流和疑似利益输送线索。
• 电信网络分析与基站优化：将基站连接和用户活动数据构建为图网络，识别关键基站、拥堵风险和用户活动圈层。
• 企业关联与风险排查：通过企业、股权、交易、项目等关系建图，穿透复杂关联结构，识别潜在合规风险和经营风险。
• 电商风控与羊毛党识别：融合账号、设备、地址、订单等数据，发现团伙化作弊、虚假交易和异常关联行为。
• 供应链风险分析：构建企业与交易关系网络，定位核心企业、关键供应节点和潜在风险传导路径。
• 日志溯源与智能体执行分析：将系统日志或智能体执行记录组织为图结构，辅助分析错误传播路径、异常步骤和关键依赖关系。

---

🖼️ 应用场景 Demo

YiGraph 已完成多个应用场景 Demo，并提供演示视频和运行截图，用于展示系统的端到端分析能力。

场景一：金融反洗钱与可疑交易分析

YiGraph 可将交易流水自动构建为交易网络，自动识别高风险账户、异常资金路径、资金闭环和关键交易节点，辅助金融机构进行反洗钱和交易风控分析。

典型问题示例：

请围绕用户“王XX”检查疑似洗钱风险，识别其风险等级、潜在洗钱路径、疑似非法转出金额及路径中的大额交易账户。

YiGraph 会首先分析业务问题，识别其中的分析意图，并将其拆解为多个子问题，组织成可执行的分析 DAG；随后为每个子问题选择合适的图算法，最终执行DAG并输出一份结构化风险分析报告。

输出结果：

最终，YiGraph 生成一份结构化风险分析报告，报告内容包括：

• 目标用户风险判断
• 可疑资金路经
• 疑似非法转出金额
• 重点大额账户
• 下一步核查建议

---

场景二：纪检监察关联核查

YiGraph 可融合人员、企业、账户、项目、房产等多源数据，构建关联图谱，自动发现隐蔽关系链、异常资金流和疑似利益输送线索，并生成初步核查报告。

典型问题示例：

生成王XX疑似利益输送问题的初步核查报告。

YiGraph 会自动围绕该问题展开分析，识别重点人员相关的资金链、关系链和资产链。

输出结果：

最终，YiGraph 生成一份初步核查报告，报告内容包括：

• 可疑资金链条
• 资产关联情况
• 资金链路分析
• 共同住宿证据
• 风险判断
• 下一步核查建议

---

⚡ 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，再将问题拆解为可执行的分析步骤，包括：

• 需要哪些数据字段与关系
• 需要构建哪些实体和边
• 应调用哪些图算法
• 各步骤之间如何衔接
• 分析结果如何解释和展示

用户不需要熟悉图算法，也可以通过自然语言完成复杂图分析任务。

2. 任务感知的图构建

YiGraph 会根据当前分析任务选择相关实体、关系和子图，避免将所有数据无差别构造成一张大图，从而降低噪声干扰，提高分析效率。

3. 以图算法为核心的可靠执行

YiGraph 不依赖模型自由生成不可控代码，而是以可验证的图算法模块为核心进行调用和组合，使每一步分析具备：

• 可复现性：同样输入可得到稳定输出
• 可追溯性：每一步计算过程可回看
• 可解释性：分析结果可关联到具体路径、节点、边和证据
• 可靠性：关键计算由图算法和图数据库完成，而非纯文本推理

4. 丰富的图算法库

YiGraph 内置 200+ 种图算法，覆盖 21 大类别。部分代表性算法如下：

算法类别	典型算法	应用场景
Basics 基础算子	BFS、DFS、拓扑排序、DAG 判定	图结构校验、依赖分析
Path 路径算法	Dijkstra、Bellman-Ford、Floyd-Warshall	路径规划、关系链分析
Centrality 中心性	PageRank、介数中心性、接近中心性、HITS	关键节点识别、影响力评估
Connectivity 连通性	连通分量、强连通分量、割点、割边	网络稳健性、孤岛识别
Community 社区发现	Louvain、Leiden、标签传播	圈层识别、团伙发现
Flow & Cut 流与割	最大流、最小割、Edmonds-Karp	瓶颈分析、容量规划
Graph Query 图查询	节点查询、路径查询、共同邻居、子图抽取	数据筛选、风控排查

完整算法说明请参考：📚 在线文档

5. 灵活的数据支持

YiGraph 支持多种数据源输入：

• 图数据：节点表、边表、已有图结构数据
• 表格数据：CSV、Excel 等结构化数据
• 文本数据：文档、日志、报告等非结构化数据
• 业务数据：交易流水、企业信息、人员关系、项目记录、房产记录等场景化数据

6. 多种运行模式

YiGraph 支持三种运行模式：

• 普通模式：用户只需提交业务问题，系统自动完成问题解析、算法选择、流程执行和报告生成。
• 交互模式：用户可与系统协同确定计算流程和图算法，适合有一定业务理解和技术背景的用户。
• 专家模式：用户直接给出分析思路、计算步骤和算法方案，系统负责执行和生成结果。

---

🧩 系统架构

YiGraph 主要由数据接入层、实体关系抽取层、任务规划层、图算法执行层、结果解释层和报告生成层组成。

用户自然语言问题
        ↓
意图理解与任务拆解
        ↓
任务感知图构建
        ↓
图算法 / 图查询 / 图数据库执行
        ↓
结果解释与证据组织
        ↓
分析报告生成

---

🎯 版本发布

v1.1.0（当前版本）

核心能力

• ✅ 完整的图计算引擎
• ✅ 智能任务规划与执行
• ✅ 200+ 种图算法支持，覆盖 21 大类别
• ✅ 多数据源支持
• ✅ Web 交互界面与终端运行模式
• ✅ 数据集管理与图谱可视化
• ✅ 分析报告生成

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
• 🔄 增强多源异构数据接入能力
• 🔄 补充更多行业应用 Demo

---

🚀 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

YiGraph 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

1.3.2 下载与解压 Neo4j

1. 从官网下载 Neo4j 3.5.25 安装包。
2. 解压安装包到指定位置。

Linux / Mac 系统：

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

Windows 系统：

unzip neo4j-community-3.5.25-windows.zip
cd neo4j-community-3.5.25

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

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

---

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

编辑配置文件：

config/engine_config.yaml

示例配置如下：

mode: interactive

reasoner:
  llm:
    provider: "openai"
    openai:
      base_url: "https://your-api-endpoint/v1/"
      api_key: "your-api-key"
      model: "gpt-4o-mini"

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:0"
  rag:
    graph:
      k_hop: 2
    vector:
      k_similarity: 5

---

4. 配置数据集

编辑配置文件：

config/data_upload_config.yaml

示例配置如下：

datasets:
  - name: AMLDemo
    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 修改为本地真实的数据文件路径。

---

🖥️ 运行 YiGraph

启动 YiGraph 之前，请确保 Neo4j 数据库已经启动并正常运行。

1. Web 交互模式（推荐）

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，根据终端提示在浏览器中打开对应地址，即可进入 YiGraph Web 界面。

Web 界面基本使用流程：

1. 开启一个新对话，或选择历史对话。
2. 选择运行模式。
3. 选择数据集。
4. 输入自然语言业务问题。
5. 提交任务。
6. 查看系统规划、执行过程和最终结果。
7. 根据报告继续追问或开始新的分析任务。

---

2. 终端交互模式

如果希望直接通过命令行与 YiGraph 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。

---

📊 数据集管理与图谱可视化

YiGraph 提供数据集管理能力，支持用户上传文件、查看解析进度，并对生成的知识图谱进行可视化展示。

数据集管理

用户可以完成：

1. 创建数据集。
2. 填写数据集名称与文件类型。
3. 上传数据文件。
4. 保存数据集。
5. 在对话中选择数据集进行分析。

文件管理与图谱可视化

用户可以完成：

1. 选择数据集。
2. 上传文件。
3. 查看解析进度。
4. 查看实体关系抽取结果。
5. 可视化知识图谱。

---

❓ 常见问题

• 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、向量数据库和 Web 服务端口是否已被占用。
• 模型无法加载：确认 API Key、模型名称和服务地址是否有效。
• 数据库连接失败：确认 Neo4j 已启动，且配置文件中的地址和端口正确。
• 数据路径错误：确认 data_upload_config.yaml 中的数据文件路径为本地真实路径。

---

📖 文档与资源

完整用户手册、开发者指南和算法文档请访问：

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

文档内容包括：

• 快速入门
• 系统安装
• 配置说明
• AAG 框架介绍
• 200+ 图算法说明
• API 参考
• 典型应用案例
• 常见问题

---

🤝 贡献指南

我们欢迎开发者、研究者和行业用户参与 YiGraph 开源共建。

你可以通过以下方式参与：

• 提交 Issue，反馈 Bug 或使用问题
• 提交 Pull Request，改进代码或文档
• 补充应用案例和 Demo
• 扩展图算法模块
• 完善安装说明和教程
• 分享 YiGraph 的使用经验

贡献流程

1. Fork 本仓库。
2. 创建新的开发分支。
3. 完成代码或文档修改。
4. 提交 Pull Request。
5. 等待维护者 Review 和讨论。

git checkout -b feature/your-feature-name
git commit -m "Add your feature"
git push origin feature/your-feature-name

YiGraph 已开始收到外部开发者的关注与 PR 贡献。项目维护者会对贡献内容进行代码评审和设计讨论，确保项目在开放协作的同时保持架构一致性和代码质量。

---

📞 联系我们

欢迎通过微信、小红书、Twitter 等渠道关注 YiGraph 项目进展，也欢迎开发者、研究者和行业用户参与交流与共建。

---

📚 引用

如果您在研究中使用了 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

感谢所有关注、使用和参与 YiGraph 项目的开发者与社区伙伴。

---

📄 许可证

本项目采用 MIT License 开源协议。

---