WeKnora 知识图谱：把文档关联讲清楚的完整指南
【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
WeKnora 是一个开源的 LLM 知识平台：把文档喂给它，你能拿到一套可问答的 RAG 系统（RAG 即检索增强生成——先从文档里找相关资料，再让大模型基于资料作答），外加自动抽取实体、连线成网的 WeKnora 知识图谱。最大价值：答案不再只来自孤立的片段，文档之间的关联也能被检索到。
它适合解决什么场景
- 技术文档库问答：产品说明、API 手册、故障排查指南散落几十份文件，跨文档的问题（比如"这个参数改了会影响哪些模块"）靠关键词搜索很难拼出全貌。
- 新人熟悉知识体系：图谱把概念之间的关系画成网络，顺着节点和连线浏览，比从头读文档快得多。
- 排查答案质量：回答引用了哪些资料、检索走了哪条路径，都能在界面上看到，便于判断结果是否可信。
核心功能走查
实体与关系自动抽取
上传文档后，系统自动从内容中提取实体（人名、产品、概念等关键对象）和它们之间的关系，无需人工标注。
- 开启「实体抽取 + 关系抽取」后，文档入库阶段就会触发抽取任务，抽取结果存入图数据库 Neo4j
- 节点代表实体，连线代表实体间的关系，一篇文档会沉淀成一张子图
- 抽取本身依赖大模型，可在知识库设置里单独指定用于图谱抽取的模型
图谱可视化查看
抽取完成后，登录 Neo4j 浏览器（http://localhost:7474）即可看到整张图谱，执行MATCH (n) RETURN n就能浏览全部节点。
- 支持缩放、拖拽，聚焦感兴趣的局部区域
- 点击节点可查看该实体的详情，沿连线追踪概念间的关联
- 后端日志确认 Neo4j 初始化成功后，图谱入口即可用
图谱增强检索（GraphRAG）
WeKnora 的检索策略里包含 GraphRAG 图谱增强：对话时系统会自动查询知识图谱，把结构化关系作为补充信息一并带入上下文，让召回更广、更贴切。
- 提问后流程依次为：问题优化、混合检索（语义 + 关键词）、结合图谱上下文生成答案
- 检索路径全程可视，你能看到答案是基于哪些片段和关系得出的
- 对跨文档的关联类问题，图谱召回往往能补上纯向量检索漏掉的部分
上手实操
以一份技术文档库为例走一遍完整链路。
输入端：clone 仓库后，在.env里加上NEO4J_ENABLE=true、NEO4J_URI=bolt://neo4j:7687等连接项，再执行docker compose --profile neo4j up -d启动图数据库。随后创建知识库，在设置里打开「启用实体抽取」与「启用关系抽取」，并配好对话模型和向量模型。
把 PDF、Word、Markdown 等文档拖进知识库上传。系统异步解析：先分块，再向量化入库；因为你开了图谱抽取，同一批文档还会走一遍实体/关系抽取任务，把节点和边写入 Neo4j。
得到什么：文档解析完成后提问，回答带引用角标，点开可跳回原文；同时系统按意图查询图谱，把相关实体关系一并纳入作答依据。你也可以直接打开 Neo4j 控制台或 WeKnora 界面的图谱入口，直观确认这张网长什么样。完整步骤详见 开启知识图谱功能指南。
实用技巧与常见疑问
- 图谱入口没反应？多半是 Neo4j 没起来：
docker ps | grep neo4j确认容器在跑，NEO4J_URI指向的地址与账号密码要和.env一致，改完记得重启服务让环境变量生效。 - 上传了文档却没生成节点？两个高频原因：知识库没勾选实体/关系抽取开关；文档还在解析中（状态未走到 completed）。先查解析状态，再看后端日志里抽取任务有无异常。
- 向量模型建库后别换。换 Embedding 模型意味着向量不兼容、需要重建索引；图谱抽取模型、Rerank 等则可以后续随时补开。
写在最后
WeKnora 把"文档问答"升级成了"文档关系问答"：RAG 负责找答案，知识图谱负责把答案之间的关联也找出来。想动手的话，按 快速上手文档 部署后，先开图谱功能上传一批自己的文档，效果最直观。
【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
