WeKnora三步看懂答案从哪来知识图谱与检索路径一图可视化【免费下载链接】WeKnoraOpen-source LLM knowledge platform: turn raw documents into a queryable RAG, an autonomous reasoning agent, and a self-maintaining Wiki.项目地址: https://gitcode.com/GitHub_Trending/we/WeKnora答案拿到了却说不清它出自哪份文档、哪一段。同事追问“这个数字哪来的”时你只能翻聊天记录。WeKnora 把知识图谱Knowledge Graph和检索路径都画成了图答案的来龙去脉一目了然。功能总览两大能力各解决什么问题知识图谱Knowledge Graph把散落在文档里的实体与关系自动连成结构化网络词与词之间的上下文不再靠猜。双图谱视图实体关系图看概念之间的关联分块关系图Chunk Graph看文档内部结构一张图一个视角。检索路径可视化问题改写、混合检索、答案生成被拆成完整步骤展开每一步都看得见。来源高亮答案引用的具体分块Chunk会被点亮点一下就能跳回原文核对。5分钟上手 下面这套操作五分钟内就能跑完。启动服务与上传文档运行 scripts/start_all.sh 拉起全套服务。在知识库页面上传 PDF 或文本文档解析完成后系统自动抽取实体与关系生成图谱。若想把图谱同步到图数据库可按 docs/KnowledgeGraph.md 中的说明在知识库设置里启用 Neo4j。打开图谱并完成第一次检索进入“图谱”标签页在实体关系图与分块关系图之间切换。滚轮缩放、拖拽画布调整布局实体视图中节点大小对应实体出现频次连线粗细对应关系权重。双击节点查看它的描述、关联关系和来源分块。回到对话页输入问题查看检索路径Top-K默认5控制参与生成的分块数量偏少则补漏、偏多则降噪。图谱背后知识图谱是怎么建出来的图谱构建器位于 internal/application/service/graph.go整个过程分三幕实体提取LLM 逐块扫描文档挑出人名、地点、术语等关键实体每个实体都带上标题、描述、出现次数等属性。关系抽取把实体两两配对识别“A—选择—B”这样的有向关系并计算关系权重。权重由点互信息PMI与关系强度加权合成最终权重 1 9 × (0.6 × 归一化PMI值 0.4 × 归一化强度值)落在 1~10 区间。两个实体共现信号越强PMI 越大权重也就越重。图谱构建实体与关系被装配成图结构直接关系与间接关系都能走通间接关系的权重按 0.5 衰减所以图上连线的“远近”是看得出来的。抽取用的提示词模板可以自行调整默认配置在 config/prompt_templates/graph_extraction.yaml。检索路径追踪答案的完整旅程以“Liwx入住的房型是什么”为例整条路径可以倒着捋清楚知识整合命中分块被塞进上下文交给 LLM 生成答案。最终答案“双床房”高亮指向“双床房选择记录”那条分块点一下直接跳到原文答案的出处不用猜。混合检索向量检索Vector Search按语义相似度找、关键词检索Keyword Search按字面匹配找两路结果合并排序取 Top-K 个分块进入生成环节。这个例子里命中了 2 个分块。问题改写检索真正开始前LLM 已把“入住的房型是什么”优化成“Liwx本次入住的房型是什么”限定词补全后检索命中率明显更高。进阶技巧过滤关系、对比检索策略 这一节才是动手调参的部分。关系过滤图谱支持按关系类型如“包含”“从属”和权重阈值过滤。把权重门槛调高只剩下最强关联文档的“核心骨架”立刻浮现。策略对比同一个问题跑两遍——纯向量检索一遍、混合检索一遍——把两条路径并排比较就能判断关键词匹配是否真的救回了某个问题调参从此有依据。三个典型应用场景企业文档管理财务报告里“营收”“成本”“利润”被自动关联起来关键数据之间的影响关系一眼定位。客服知识库“退款政策”与“订单状态”的关联清晰可见检索路径还能当新人学习解答逻辑的教材。科研文献分析多篇论文上传后自动生成“作者—方法—结论”网络研究热点和潜在合作点更容易被挖出来。总结 三个词概括上面的价值直观——语义关系变成可放大的图形可解释——每个答案都能回溯到来源分块可交互——你可以主动探索图谱发现隐藏的知识关联。后续 WeKnora 还计划支持自定义图谱布局、动态关系强度计算与多维度检索路径对比值得持续跟进。资源列表使用教程README.md知识图谱指南docs/KnowledgeGraph.md检索与常见问题docs/QA.md图谱构建源码internal/application/service/graph.go跑通之后如果发现了有意思的图谱玩法欢迎到项目讨论区聊聊。【免费下载链接】WeKnoraOpen-source LLM knowledge platform: turn raw documents into a queryable RAG, an autonomous reasoning agent, and a self-maintaining Wiki.项目地址: https://gitcode.com/GitHub_Trending/we/WeKnora创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 WeKnora三步看懂答案从哪来：知识图谱与检索路径一图可视化
WeKnora三步看懂答案从哪来知识图谱与检索路径一图可视化【免费下载链接】WeKnoraOpen-source LLM knowledge platform: turn raw documents into a queryable RAG, an autonomous reasoning agent, and a self-maintaining Wiki.项目地址: https://gitcode.com/GitHub_Trending/we/WeKnora答案拿到了却说不清它出自哪份文档、哪一段。同事追问“这个数字哪来的”时你只能翻聊天记录。WeKnora 把知识图谱Knowledge Graph和检索路径都画成了图答案的来龙去脉一目了然。功能总览两大能力各解决什么问题知识图谱Knowledge Graph把散落在文档里的实体与关系自动连成结构化网络词与词之间的上下文不再靠猜。双图谱视图实体关系图看概念之间的关联分块关系图Chunk Graph看文档内部结构一张图一个视角。检索路径可视化问题改写、混合检索、答案生成被拆成完整步骤展开每一步都看得见。来源高亮答案引用的具体分块Chunk会被点亮点一下就能跳回原文核对。5分钟上手 下面这套操作五分钟内就能跑完。启动服务与上传文档运行 scripts/start_all.sh 拉起全套服务。在知识库页面上传 PDF 或文本文档解析完成后系统自动抽取实体与关系生成图谱。若想把图谱同步到图数据库可按 docs/KnowledgeGraph.md 中的说明在知识库设置里启用 Neo4j。打开图谱并完成第一次检索进入“图谱”标签页在实体关系图与分块关系图之间切换。滚轮缩放、拖拽画布调整布局实体视图中节点大小对应实体出现频次连线粗细对应关系权重。双击节点查看它的描述、关联关系和来源分块。回到对话页输入问题查看检索路径Top-K默认5控制参与生成的分块数量偏少则补漏、偏多则降噪。图谱背后知识图谱是怎么建出来的图谱构建器位于 internal/application/service/graph.go整个过程分三幕实体提取LLM 逐块扫描文档挑出人名、地点、术语等关键实体每个实体都带上标题、描述、出现次数等属性。关系抽取把实体两两配对识别“A—选择—B”这样的有向关系并计算关系权重。权重由点互信息PMI与关系强度加权合成最终权重 1 9 × (0.6 × 归一化PMI值 0.4 × 归一化强度值)落在 1~10 区间。两个实体共现信号越强PMI 越大权重也就越重。图谱构建实体与关系被装配成图结构直接关系与间接关系都能走通间接关系的权重按 0.5 衰减所以图上连线的“远近”是看得出来的。抽取用的提示词模板可以自行调整默认配置在 config/prompt_templates/graph_extraction.yaml。检索路径追踪答案的完整旅程以“Liwx入住的房型是什么”为例整条路径可以倒着捋清楚知识整合命中分块被塞进上下文交给 LLM 生成答案。最终答案“双床房”高亮指向“双床房选择记录”那条分块点一下直接跳到原文答案的出处不用猜。混合检索向量检索Vector Search按语义相似度找、关键词检索Keyword Search按字面匹配找两路结果合并排序取 Top-K 个分块进入生成环节。这个例子里命中了 2 个分块。问题改写检索真正开始前LLM 已把“入住的房型是什么”优化成“Liwx本次入住的房型是什么”限定词补全后检索命中率明显更高。进阶技巧过滤关系、对比检索策略 这一节才是动手调参的部分。关系过滤图谱支持按关系类型如“包含”“从属”和权重阈值过滤。把权重门槛调高只剩下最强关联文档的“核心骨架”立刻浮现。策略对比同一个问题跑两遍——纯向量检索一遍、混合检索一遍——把两条路径并排比较就能判断关键词匹配是否真的救回了某个问题调参从此有依据。三个典型应用场景企业文档管理财务报告里“营收”“成本”“利润”被自动关联起来关键数据之间的影响关系一眼定位。客服知识库“退款政策”与“订单状态”的关联清晰可见检索路径还能当新人学习解答逻辑的教材。科研文献分析多篇论文上传后自动生成“作者—方法—结论”网络研究热点和潜在合作点更容易被挖出来。总结 三个词概括上面的价值直观——语义关系变成可放大的图形可解释——每个答案都能回溯到来源分块可交互——你可以主动探索图谱发现隐藏的知识关联。后续 WeKnora 还计划支持自定义图谱布局、动态关系强度计算与多维度检索路径对比值得持续跟进。资源列表使用教程README.md知识图谱指南docs/KnowledgeGraph.md检索与常见问题docs/QA.md图谱构建源码internal/application/service/graph.go跑通之后如果发现了有意思的图谱玩法欢迎到项目讨论区聊聊。【免费下载链接】WeKnoraOpen-source LLM knowledge platform: turn raw documents into a queryable RAG, an autonomous reasoning agent, and a self-maintaining Wiki.项目地址: https://gitcode.com/GitHub_Trending/we/WeKnora创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考