Chat2Graph采用图原生理念，构建了包含Leader和多个Expert智能体的多智能体架构。用户请求由Leader分配给图组织的Expert智能体，每个智能体通过有向无环图（DAG）的工作流执行算子任务。算子与推理机协同，推理机依赖大模型选择工具，工具结果反馈给推理机，直至任务完成。这种分层架构通过丰富的工具集，涵盖图谱建模、数据提取、查询分析和问答等功能，支持本地工具和MCP工具，实现了复杂任务的有序执行和完整的工具生态。

💡 **多智能体与图原生理念：** Chat2Graph的核心是“Leader”与“Expert”组成的智能体架构，整个系统运行流程都遵循图原生的理念。Leader智能体负责任务分配，Expert智能体则以图的形式组织，协同完成任务。这种设计使得复杂任务能够被分解并有序执行。

⚙️ **工作流与算子执行：** 每个Expert智能体由一个有向无环图（DAG）的工作流驱动，工作流包含一系列算子。算子与推理机协同工作，推理机通过大模型判断下一步动作和工具选择，工具的执行结果又会反馈给推理机，直至算子定义的任务目标达成。这确保了任务执行的精确性和可控性。

🛠️ **丰富的工具集与专家分工：** Chat2Graph内置了包括Design Expert（图谱建模）、Extraction Expert（数据提取）、Query Expert（图查询）、Analysis Expert（图分析）、Q&A Expert（问答）以及WebSurferExpert（网络浏览）和DeveloperExpert（本地开发）在内的七个专家智能体。每个专家都配备了针对其专业领域的高度定制化工具，如GDS库支持的各种图算法、浏览器自动化工具等，共同构建了一个强大的工具生态系统。

🔗 **本地与MCP工具集成：** Chat2Graph支持两种类型的工具：本地工具（直接在Python环境中执行）和MCP（Model Context Protocol）工具（用于与外部服务或独立进程交互，如浏览器自动化）。MCP工具通过多种传输协议（STDIO, SSE等）与外部服务通信，极大地扩展了系统的能力范围，使其能够集成更广泛的外部功能。

至此，我们完成了 Chat2Graph 中从用户会话到工具执行的完整链路的学习。让我们先通过一个流程图来回顾 Chat2Graph 的整体运行流程：

这个流程处处都体现着图原生的理念，里包含了三个循环：

Chat2Graph 实现了一主动多被动多智能体架构，当用户的问题到来时，Leader 智能体会将任务分配给多个 Expert 智能体执行，这些 Expert 智能体是以图的形式组织的；每个智能体由一个工作流实现，也是一个有向无环图，工作流包含多个算子，它们按序执行，等到所有算子都执行完成，整个工作流才算完成；算子和推理机相互协作，推理机通过大模型判断下一步的动作和该执行的工具，工具的结果又会返回给推理机判断下一步的动作，直到完成了算子所定义的任务目标为止；

最后，所有智能体全部运行结束，才算完成了一次用户的会话过程。

今天，我们将从专家和工具的角度，详细盘点 Chat2Graph 中都有哪些专家智能体，每个专家都包含哪些算子，每个算子又配置了哪些动作，以及每个动作关联了哪些工具。根据 chat2graph.yml 配置文件，我们可以看出，Chat2Graph 一共内置了 7 个专家，除了我们之前介绍过的 5 大核心专家，还专门为 GAIA 基准测试新增了两个专家。

Design Expert - 建模专家

Design Expert 是知识图谱建模（Schema）专家，专注于根据特定的数据需求设计图的 Schema，清晰定义顶点（Vertices）和边（Edges）的类型、属性及关系。

它的核心工具包括：

DocumentReader：从指定路径读取并返回文档内容，支持多种文档格式解析，为后续的图建模提供原始数据输入；SchemaGetter：连接到图数据库并获取其当前的 Schema 信息，用于了解现有的图结构；VertexLabelAdder：在图数据库中创建新的顶点标签，定义新的实体类型；EdgeLabelAdder：在图数据库中创建新的边标签，定义新的关系类型；GraphReachabilityGetter：查询图数据库以获取图的可达性信息，验证图结构的连通性；

Extraction Expert - 导数专家

Extraction Expert 是原始数据提取和数据导入图数据专家，负责根据已定义的 Schema 从原始数据中提取结构化信息，并将其导入到目标图数据库中。

它的核心工具包括：

DataStatusCheck：检查图数据库中当前数据的状态，了解现有数据情况，确保后续数据导入的一致性；DataImport：将提取的三元组数据导入到图数据库中，支持批量导入和增量更新；

Query Expert - 查询专家

Query Expert 专注于图数据查询，能够理解用户的查询意图，编写精确的图查询语句，并在目标图数据库上执行查询。

它的核心工具包括：

CypherExecutor：执行 Cypher 查询语句，支持复杂的图遍历和数据检索操作；

Analysis Expert - 分析专家

Analysis Expert 专注于图数据分析和算法应用，能够基于分析目标选择、配置并执行相应的图算法。

这个专家包含大量图分析的工具：

AlgorithmsGetter：获取图数据库支持的算法列表和相关信息；PageRankExecutor：执行 PageRank 算法，计算图中节点的重要性得分；BetweennessCentralityExecutor：执行介数中心性算法，识别图中的关键连接节点；LouvainExecutor：执行 Louvain 社区发现算法，识别图中的社区结构；LabelPropagationExecutor：执行标签传播算法，进行社区检测；ShortestPathExecutor：计算图中两点间的最短路径；NodeSimilarityExecutor：计算节点间的相似性得分；CommonNeighborsExecutor：分析节点间的共同邻居关系；KMeansExecutor：执行 K-means 聚类算法；

值得注意的是，这些算法都是基于 Neo4j 的 GDS（Graph Data Science） 库实现的，这是 Neo4j 推出的一套 图数据科学库，专为在 Neo4j 图数据库上执行高效、可扩展的图算法而设计。它允许开发者、数据科学家和分析师通过图结构挖掘隐藏的关系模式（如社区、路径、影响力），广泛应用于推荐系统、欺诈检测、社交网络分析、供应链优化等场景。

因此在部署 Neo4j 时，需要开启 graph-data-science 插件：

$ docker run -d \  -p 7474:7474 \  -p 7687:7687 \  --name neo4j-server \  --env NEO4J_AUTH=none \  --env NEO4J_PLUGINS='["apoc", "graph-data-science"]' \  neo4j:2025.04

Neo4j GDS 内置算法覆盖图分析的主流场景，以下是核心分类及典型应用：

社区检测：
典型算法：Louvain、Weakly Connected Components（WCC）应用场景：社交网络圈子识别、客户分群、欺诈团伙检测
中心性分析
典型算法：PageRank、Betweenness Centrality、Degree Centrality应用场景：影响力节点识别（如社交网络 KOL）、关键路径分析（如供应链核心节点）
路径分析
典型算法：Shortest Path（最短路径）、All Pairs Shortest Path（APSP）应用场景：物流路线优化（比如从仓库 A 到门店 B 的最短配送路径）、导航系统
相似性分析
典型算法：Jaccard Similarity、Cosine Similarity应用场景：推荐系统（比如购买过相似商品的用户）、内容相似度匹配
链接预测
典型算法：Common Neighbors、Preferential Attachment应用场景：社交网络可能认识的人、客户潜在购买行为预测
图嵌入
典型算法：Node2Vec、FastRP应用场景：将图节点转换为向量（可输入机器学习模型），用于分类、聚类、推荐的预处理

以社交网络为例，通过 PageRank 算法识别最具影响力的用户：

// 1. 先投影社交网络图（节点：User，关系：FOLLOWS）CALL gds.graph.project('socialGraph', 'User', 'FOLLOWS');// 2. 运行 PageRank 算法CALL gds.pageRank.stream('socialGraph')YIELD nodeId, scoreMATCH (user:User) WHERE id(user) = nodeIdRETURN user.name AS userName, scoreORDER BY score DESC LIMIT 10;

Q&A Expert - 问答专家

Q&A Expert 是通用问答和信息检索专家，具备优先级多源研究能力，优先使用知识库检索作为主要信息源，必要时进行网络研究作为补充。

它的核心工具包括：

KnowledgeBaseRetriever：从外部知识库中检索相关文档和信息；BrowserUsing：使用浏览器进行网络搜索和内容抓取，基于 MCP 协议实现；FileTool：文件系统操作工具，用于读写本地文件；

其中 BrowserUsing 是一个 MCP 工具，能基于 Playwright 操作浏览器，运行程序时通过 start_mcp_server.sh 脚本启动：

$ npx @playwright/mcp@latest --port 8931

WebSurferExpert - 网络浏览专家

WebSurferExpert 负责所有在线信息获取任务，具备多模态分析能力，可以处理网页中的图像、音频和 PDF 文件。

它的核心工具包括：

BrowserTool：基于 browser-use 的浏览器自动化工具，支持网页导航和交互；UrlDownloaderTool：从 URL 下载文件的工具；GeminiMultiModalTool：基于 Gemini 的多模态分析工具，支持图像、音频等内容分析；PageVisionTool：页面视觉分析工具，能够理解网页的视觉布局和内容，它首先通过 browser-use 将网页保存成 PDF，然后调用 Gemini 多模态大模型对其进行分析；YouTubeTool：YouTube 视频内容分析工具；

DeveloperExpert - 本地开发专家

DeveloperExpert 负责所有本地环境中的操作，包括文件读写、数据处理、代码执行等任务。

它的核心工具包括：

CodeExecutorTool：执行 Python 代码的工具，支持动态代码执行；ShellExecutorTool：执行 Shell 命令的工具；SpreadsheetTool：处理电子表格文件的工具，比如 Excel、CSV 等；ZipTool：处理 ZIP 压缩文件的工具，支持压缩和解压操作；

Leader 智能体

除了 Expert 智能体的特定工具之外，Chat2Graph 还有一个 Leader 智能体。

它提供了一个系统级的工具：

SystemStatusChecker：查询系统状态的工具，帮助智能体了解当前系统的运行状态，用于更好的推理和决策；

工具的实现

Chat2Graph 中的工具主要分为两种类型：本地工具（LOCAL_TOOL） 和 MCP 工具（MCP_TOOL）。

本地工具是直接在 Agent 运行的 Python 环境中通过函数调用执行的工具。这些工具通过 module_path 指向包含工具实现的 Python 模块。比如下面是文档读取工具的定义：

tools:  - &document_reader_tool    name: "DocumentReader"    module_path: "app.plugin.neo4j.resource.graph_modeling"

其实现位于 app/plugin/neo4j/resource/graph_modeling.py 文件中的 DocumentReader 类：

class DocumentReader(Tool):  """Tool for analyzing document content."""  async def read_document(self, file_service: FileService, file_id: str) -> str:    """Read the document content given the document name and chapter name.    Args:      file_id (str): The ID of the file to be used to fetch the doc content.    Returns:      The content of the document.    """    return file_service.read_file(file_id=file_id)

Chat2Graph 同时支持同步或异步函数，它会自动检测函数类型，并适配调用方式（基于 inspect 库的 iscoroutinefunction() 函数实现）：

# execute function callif inspect.iscoroutinefunction(func):  result = await func(**func_args)else:  result = func(**func_args)

MCP 工具基于 Model Context Protocol 协议，用于与独立的外部进程或服务进行交互。这对于集成非 Python 实现的或需要隔离环境的复杂工具（如 Playwright 浏览器自动化）至关重要。下面是两个 MCP 工具的示例：

  - &browser_tool    name: "BrowserUsing"    type: "MCP"    mcp_transport_config:      transport_type: "SSE"      url: "http://localhost:8931/sse"  - &file_tool    name: "FileTool"    type: "MCP"    mcp_transport_config:      transport_type: "STDIO"      command: "npx"      args: ["@modelcontextprotocol/server-filesystem", "."]

MCP 工具的配置包括：

transport_type：支持 STDIO、SSE、WEBSOCKET、STREAMABLE_HTTP 四种不同的通信协议；command/args：启动外部进程的命令和参数，适用于 STDIO 模式；url：连接外部服务的网络地址，适用于 SSE、WEBSOCKET 或 STREAMABLE_HTTP 模式；

MCP 工具的实现位于 app/core/toolkit/mcp/mcp_connection.py 文件：

class McpConnection(ToolConnection):  # 调用 MCP 工具  async def call(self, tool_name: str, **kwargs) -> List[ContentBlock]:    with self._lock:      result = await self._session.call_tool(tool_name, kwargs or {})      return result.content  # 根据通信协议创建 MCP 连接  async def connect(self) -> None:    with self._lock:      # 建立连接      if transport_config.transport_type == McpTransportType.STDIO:        await self._connect_stdio()      elif transport_config.transport_type == McpTransportType.SSE:        await self._connect_sse()      elif transport_config.transport_type == McpTransportType.WEBSOCKET:        await self._connect_websocket()      elif transport_config.transport_type == McpTransportType.STREAMABLE_HTTP:        await self._connect_streamable_http()      else:        raise ValueError(f"Unsupported transport type: {transport_config.transport_type}")      # 初始化会话      session: ClientSession = cast(ClientSession, self._session)      await session.initialize()

这段代码基于 MCP 官方的 Python SDK 实现，其用法可参考文档：

github.com/modelcontex…

小结

今天我们详细盘点了 Chat2Graph 中的所有专家和工具，通过清晰的职责划分，不同专家可完成从图谱建模、数据提取、查询分析、知识问答等不同的任务。此外，还简单讲解了工具的实现原理，支持本地工具和 MCP 工具两种类型，满足不同场景的需求。

Chat2Graph 通过这种分层的 专家-算子-动作-工具 架构，不仅实现了复杂任务的有序执行，还为图原生智能体系统提供了一个完整的工具生态。每个专家都在自己的专业领域内发挥最大价值，通过丰富的工具集合来完成具体的任务执行。

欢迎关注

如果这篇文章对您有所帮助，欢迎关注我的同名公众号：日习一技，每天学一点新技术。

我会每天花一个小时，记录下我学习的点点滴滴。内容包括但不限于：

某个产品的使用小窍门开源项目的实践和心得技术点的简单解读

目标是让大家用5分钟读完就能有所收获，不需要太费劲，但却可以轻松获取一些干货。不管你是技术新手还是老鸟，欢迎给我提建议，如果有想学习的技术，也欢迎交流！