把任意文本变成知识图谱免云 API 的本地 GRAG 工具包【免费下载链接】knowledge_graphConvert any text to a graph of knowledge. This can be used for Graph Augmented Generation or Knowledge Graph based QnA项目地址: https://gitcode.com/gh_mirrors/kn/knowledge_graph向量检索只能返回相似片段回答不了概念之间是什么关系。knowledge_graph 项目用本地大模型把任意文本或 PDF 转成可查询的知识图谱支撑图谱增强的检索问答GRAG全程不调用云端接口。向量检索为什么答不全A 和 B 什么关系文档一多传统 RAG 的短板就露出来了按 embedding 相似度找片段但概念之间的因果、包含、共现关系仍藏在句子里。比如医学语料里你能找到提到某种药物的段落可它关联哪些症状、禁忌还得回去读原文。把语料变成概念—关系—概念的网络后机器直接看到连接答案不再只是孤立的片段。knowledge_graph 是什么一份 notebook 走完全文到图谱它不是 RDF 框架也不是图库而是一套 Python 3.11 Jupyter notebook 的流水线。把 PDF 放进目录产出 chunks.csv、concepts.csv、graph.csv 三张表外加 docs/index.html 里的可交互图谱页。图谱的基本单元是三元组即谁—什么关系—谁的一行记录项目里每行是 node_1、node_2、edge关系描述再挂一个 chunk_id 指回原文片段答案可溯源。有意思的是它的无 GPT 设计模型走本地 Ollama默认 Mistral 7B OpenOrcanotebook 示例用 zephyr 跑通生成一张图谱的成本基本为零。四步转换流水线切块、抽概念、加权重、画图整条流水线在 extract_graph.ipynb 里一张流程图说清切块RecursiveCharacterTextSplitter 按 1500 字切块、150 字重叠每块领一个 chunk_id。抽概念LLM 对每块抽出概念给 1~5 的重要性分和类别事件、地点、组织、病症等。项目刻意抽概念而不是 NER 的实体——Bangalore是实体Bangalore 宜人的天气才是概念后者建出来的图谱更有意义。抽关系LLM 对每块输出三元组权重 W1同块出现的概念算上下文相关权重 W2。合并时同对概念求和只留一条带权边关系句留作证据。建图画图NetworkX 建图Girvan–Newman 社区给节点着色节点度数定大小pyvis 导出网页。和两种常见做法对比向量检索 RAG人工建本体knowledge_graph输入切片 embedding人工定义模式原始文本 / PDF概念间关系隐式显式显式且带原文证据工程成本低高低一个 notebook模型依赖embedding 服务无本地 Ollamaknowledge_graph 项目怎么快速上手前置两样机器上有 DockerOllama 装好并拉过模型。然后git clone https://gitcode.com/gh_mirrors/kn/knowledge_graph cd knowledge_graph docker build -t knowledge-graph . docker run -p 8888:8888 knowledge-graph容器起来后是 JupyterLab打开 extract_graph.ipynb 按顺序运行。 想改抽取规则看 helpers/prompts.py 里的两段系统提示词即可跑完检查 data_output/ 下的三元组表和 docs/ 里的可视化页悬停节点或边能看到关系与来源片段。knowledge_graph 适合哪些人下一步建议看什么适合起步手里有领域语料论文、政策、报告想做图谱问答坚持本地跑模型不想按 token 付费想用社区、节点度数分析核心概念与主题簇也要知道边界README 里作者自己列的未完成项还没做语义去重doctor 和 doctors 会是两个节点高频泛化概念未过滤可视化还是基础网络图层级下钻的前端在 TODO 里。建议路径先跑通自带的 cureus PDF 感受产出再换成自己的语料节点太多时先收紧概念抽取的提示词再考虑用 embedding 做概念去重。【免费下载链接】knowledge_graphConvert any text to a graph of knowledge. This can be used for Graph Augmented Generation or Knowledge Graph based QnA项目地址: https://gitcode.com/gh_mirrors/kn/knowledge_graph创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 把任意文本变成知识图谱：免云 API 的本地 GRAG 工具包
把任意文本变成知识图谱免云 API 的本地 GRAG 工具包【免费下载链接】knowledge_graphConvert any text to a graph of knowledge. This can be used for Graph Augmented Generation or Knowledge Graph based QnA项目地址: https://gitcode.com/gh_mirrors/kn/knowledge_graph向量检索只能返回相似片段回答不了概念之间是什么关系。knowledge_graph 项目用本地大模型把任意文本或 PDF 转成可查询的知识图谱支撑图谱增强的检索问答GRAG全程不调用云端接口。向量检索为什么答不全A 和 B 什么关系文档一多传统 RAG 的短板就露出来了按 embedding 相似度找片段但概念之间的因果、包含、共现关系仍藏在句子里。比如医学语料里你能找到提到某种药物的段落可它关联哪些症状、禁忌还得回去读原文。把语料变成概念—关系—概念的网络后机器直接看到连接答案不再只是孤立的片段。knowledge_graph 是什么一份 notebook 走完全文到图谱它不是 RDF 框架也不是图库而是一套 Python 3.11 Jupyter notebook 的流水线。把 PDF 放进目录产出 chunks.csv、concepts.csv、graph.csv 三张表外加 docs/index.html 里的可交互图谱页。图谱的基本单元是三元组即谁—什么关系—谁的一行记录项目里每行是 node_1、node_2、edge关系描述再挂一个 chunk_id 指回原文片段答案可溯源。有意思的是它的无 GPT 设计模型走本地 Ollama默认 Mistral 7B OpenOrcanotebook 示例用 zephyr 跑通生成一张图谱的成本基本为零。四步转换流水线切块、抽概念、加权重、画图整条流水线在 extract_graph.ipynb 里一张流程图说清切块RecursiveCharacterTextSplitter 按 1500 字切块、150 字重叠每块领一个 chunk_id。抽概念LLM 对每块抽出概念给 1~5 的重要性分和类别事件、地点、组织、病症等。项目刻意抽概念而不是 NER 的实体——Bangalore是实体Bangalore 宜人的天气才是概念后者建出来的图谱更有意义。抽关系LLM 对每块输出三元组权重 W1同块出现的概念算上下文相关权重 W2。合并时同对概念求和只留一条带权边关系句留作证据。建图画图NetworkX 建图Girvan–Newman 社区给节点着色节点度数定大小pyvis 导出网页。和两种常见做法对比向量检索 RAG人工建本体knowledge_graph输入切片 embedding人工定义模式原始文本 / PDF概念间关系隐式显式显式且带原文证据工程成本低高低一个 notebook模型依赖embedding 服务无本地 Ollamaknowledge_graph 项目怎么快速上手前置两样机器上有 DockerOllama 装好并拉过模型。然后git clone https://gitcode.com/gh_mirrors/kn/knowledge_graph cd knowledge_graph docker build -t knowledge-graph . docker run -p 8888:8888 knowledge-graph容器起来后是 JupyterLab打开 extract_graph.ipynb 按顺序运行。 想改抽取规则看 helpers/prompts.py 里的两段系统提示词即可跑完检查 data_output/ 下的三元组表和 docs/ 里的可视化页悬停节点或边能看到关系与来源片段。knowledge_graph 适合哪些人下一步建议看什么适合起步手里有领域语料论文、政策、报告想做图谱问答坚持本地跑模型不想按 token 付费想用社区、节点度数分析核心概念与主题簇也要知道边界README 里作者自己列的未完成项还没做语义去重doctor 和 doctors 会是两个节点高频泛化概念未过滤可视化还是基础网络图层级下钻的前端在 TODO 里。建议路径先跑通自带的 cureus PDF 感受产出再换成自己的语料节点太多时先收紧概念抽取的提示词再考虑用 embedding 做概念去重。【免费下载链接】knowledge_graphConvert any text to a graph of knowledge. This can be used for Graph Augmented Generation or Knowledge Graph based QnA项目地址: https://gitcode.com/gh_mirrors/kn/knowledge_graph创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考