项目地址： /ai-market-guide/ 相关阅读 这是一个使用 TypeScript/Bun 实现的 GraphRAG 引擎，面向 Markdown 语料构建知识图谱，并通过向量、关键词和图谱关系进行混合检索，最终生成带证据的回答。相比 v0.1.5 ，这次更新主要集中在两件事上。
- 支持增量构建 现在不需要每次修改少量文档后都重新构建整个知识库： 使用 SHA-256 判断文档是否发生变化 自动区分新增、修改和未变化文档 未变化文档直接跳过 修改文档时级联清理旧切片、向量、关系和声明 根据社区拓扑指纹判断社区是否变化 未变化的社区复用已有摘要和 embedding ，避免重复调用 LLM 支持按文档标题或父文档 ID 删除数据 新增的主要 API： startIncrementalBuild(...) buildIncrementalRAG(...) deleteRAGDocument(...) diffDocuments(...) computeCommunityFingerprint(...) 示例： const buildId = startIncrementalBuild( [ { title: 'doc1.md', content: '# Updated document\nAlice and Bob are colleagues.', }, { title: 'doc2.md', content: '# New document\nCharlie joined the team.', }, ], registry, 'demo-namespace', ); 2. 支持自定义模型适配器 之前主要依赖 OpenAI 兼容接口，现在可以通过适配器接入任意 LangChain-compatible 模型。
例如： registerChatAdapter('anthropic', ({ config }) => { return new ChatAnthropic({ anthropicApiKey: config.apiKey, modelName: config.model, }); }); registerEmbeddingAdapter('ollama', ({ config }) => { return new OllamaEmbeddings({ baseUrl: config.baseURL, model: config.model, }); }); 目前适配器层支持： 自定义 Chat Model 自定义 Embedding Model Anthropic 、Ollama 、Google GenAI 等 LangChain provider 通过 RAG_SLICE_PROVIDER 、 RAG_JUDGE_PROVIDER 、 RAG_EMBED_PROVIDER 配置不同模型 其他更新 增加 LM Studio 本地模型 Demo 增加增量构建和社区指纹相关测试 修复社区摘要持久化时的边数量问题 增加 namespace 隔离保护 改进 LLM JSON 解析和类型检查 自动从 Git 提交生成 CHANGELOG 并完成版本发布 继续完善中文和英文文档 保持 PostgreSQL + Prisma + pgvector 的持久化方案 安装： pnpm add @ashes_born/graph-rag-ts 项目仍然适合用于： Markdown 文档知识库 多租户或多语料库问答 需要跨文档关系分析的 RAG 应用 希望在 TypeScript/Bun 环境中使用 GraphRAG 的后端服务 当前版本： v0.1.8 欢迎试用、提 Issue ，也欢迎对增量构建、模型适配器和检索效果提出建议。