WeKnora 知识图谱可视化指南：连通文档关系，用 12 项指标验证效果

WeKnora 知识图谱可视化指南连通文档关系用 12 项指标验证效果【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几百份文档传进 WeKnora——一个 RAG 框架先把文档索引进库再由大模型按检索结果作答——它就不止是问一句答一句框架会把每份文档里的实体与关系整理成知识图谱提问时顺着关系找答案。它替代了什么从关键词搜索到关系地图传统做法是关键词搜索加向量检索能帮你找到意思相近的段落却回答不了这两个东西是什么关系——语义上相隔很远的两个概念往往恰恰在业务上强相关单靠相似度会被漏掉。知识图谱补的正是这块入库时由大模型逐块抽取实体和关系存进 Neo4j一种专管节点-连线的图数据库提问时先从问题里抽出实体名顺图找到一跳邻居及其关联段落补充进候选集前端图谱页签直接展示实体关系点节点就能跳到对应内容原理细节可以翻 官方知识图谱说明。核心能力逐个拆从文档到图谱的完整路径实体关系抽取文档入库即成图文档解析完成后每个分块被逐条投入独立的图谱队列由大模型一次调用抽出实体、关系与属性。同名实体写入时做幂等合并、关联的分块引用取并集所以重复上传不会产生重复节点删除文档时对应的节点和边也会一并清理。图谱增强检索按实体补召回相关段落提问进来后系统先从问题中抽取实体名再对启用了图谱的知识库并行查询找出实体的一跳邻居和关系。这些节点携带的原始分块会被拉出来去重后并入向量与关键词检索的结果一起参与重排和生成——关系远但语义近的盲区就靠这一步补上。Wiki 图谱页像查维基一样浏览知识网络Wiki 模式下框架会把文档整理成互相链接的 Markdown 页面知识库里的图谱页签则直接呈现页面间的链接关系节点按页面类型着色点一下就能跳到具体页面。资料越多越散先看这张图比逐页翻找高效得多。快速上手路径开启知识图谱的四步操作图谱要全局开关 知识库级开关同时满足。先在.env里把NEO4J_ENABLE置为true并填好连接信息用docker-compose --profile neo4j up -d启动项目自带的 Neo4j然后重启服务。接着到知识库设置里打开实体抽取与关系抽取还可以配几组 few-shot 示例给模型看几个输入原文→该抽出哪些实体的样例和领域自定义指令抽取结果会更贴合业务。之后上传的任何文档都会在入库阶段自动成图无需手动处理。验证是否跑通做三件事就行登录localhost:7474的 Neo4j 控制台执行MATCH (n) RETURN n LIMIT 50;确认有节点打开前端图谱页签确认节点和连线已渲染问一个涉及两个实体关系的问题看答案是否引用了相关段落完整配置与排查清单见 开启知识图谱功能指南。效果怎么验证同一份数据集跑 12 项指标调完重排、开没开图谱、换个向量模型到底有没有变好WeKnora 内置了评估能力准备一份带标准答案的 QA 数据集仓库dataset/samples/目录自带可用样例通过 API 发起评估任务框架会自动建一个临时知识库灌入语料逐题跑完整的检索加生成流程。对比方法很简单图谱关闭时跑一遍拿基线图谱开启后再跑一遍在同一组指标上直接比。检索侧 6 项Precision、Recall、NDCG、MRR、MAP 等回答找没找对段落生成侧 6 项BLEU、ROUGE 等回答答案写得好不好。官方建议固定数据集、每次只改一个变量否则分数变化没法归因。这样你不需要凭感觉变好了做判断直接看数字。一句话总结知识图谱让答案从找得到变成连得上评估指标让效果从感觉好变成算得出。按上面四步把 Neo4j 开起来再拿dataset/samples/里的样例数据跑一轮对比就能亲眼看到差别 【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