探讨了基于知识图谱与大模型的个人知识库构建方案。首先介绍了 RAG 技术的基本原理及其在处理长文档时的局限性，随后引出微软提出的 GraphRAG 解决方案，通过结合知识图谱增强 LLM 的推理能力。文章详细阐述了知识图谱的核心概念、GraphRAG 的索引与查询流程，以及 Neo4j LLM KG Builder 的使用体验。通过对比两种工具在复杂问题回答上的表现，分析了各自的优劣。最后总结了技术趋势，并给出了数据清洗、Schema 优化及混合检索等最佳实践建议，旨在帮助开发者构建高效、可追溯的智能知识库。
如果说思维导图是给人看的，那么知识图谱就是给计算机看的。在人工智能领域，如何有效地管理和利用非结构化数据一直是核心挑战之一。
大型语言模型（LLM, Large Language Model）是一种基于 Transformer 架构的神经网络，通过海量数据训练来识别和生成文本。然而，LLM 存在上下文窗口限制，无法一次性处理超长文档。因此，需要对文档进行切割（Splitting）。
文档会被切割成小的片段（Chunk），片段的大小可以根据需求定义。为了保持上下文的连续性，片段之间通常保留部分重叠（Overlap）。例如，设置 Chunk Size 为 500 tokens，Overlap 为 50 tokens，这样可以确保关键信息不被切断。
文档片段会被嵌入（Embedding）并保存在向量数据库中，作为知识库。在大语言模型的问答系统中：
相比于对大型语言模型进行微调（Fine Tuning），RAG 技术在知识库应用领域具有显著优势：
随着知识库容量增加，传统 RAG 面临检索效率降低、上下文匹配困难、信息冗余等问题。微软提出了 GraphRAG，即结合知识图谱和图机器学习技术，从非结构化文本中提取结构化数据，增强 LLM 的理解和推理能力。
可以将 RAG 比作在大海中捞针，而知识图谱则如同穿针引线，将所有片段巧妙地串联在一起，形成全局视野。
知识图谱（KG, Knowledge Graph）是一种结构化的语义知识库，用于描述物理世界中的概念及其相互关系。它通过将复杂的数据转化为简单、清晰的'实体 - 关系 - 实体'三元组，实现知识的快速响应和推理。例如，'中国 - 首都 - 北京'就是一个简单的三元组。
知识图谱广泛应用于智能搜索、智能问答、个性化推荐等领域。其检索逻辑基于节点（Node）和边（Edge）的关系遍历，而非单纯的向量相似度。
GraphRAG 的安装需参考官方文档。配置时需注意模型选择，建议使用 GPT-4o-mini 等性价比高的模型以降低 API 成本。
导入数据后，系统会执行以下工作流：
使用命令行工具进行全局搜索：
python -m graphrag.query --root ./GraphRAG-test --method global "介绍一下这些文章的作者"
系统会读取配置文件，连接 LLM 客户端，并返回包含引用来源的回答。
GraphRAG 的输出包含 .parquet 文件，这是一种高效的列式存储格式。可以通过以下方式生成知识图谱：
生成的图谱由大量节点和关系组成，每个节点包含 ID、名称、类型及详细描述。例如，某个人物节点可能包含其学术背景、所属机构及贡献描述。
Neo4j 是一个高性能的 NoSQL 图形数据库，采用属性图模型，提供原生的图数据存储、检索和处理功能。由于本地部署 Neo4j 需要安装 APOC 插件以支持特定指令，对于快速验证场景，可以使用 Neo4j Aura 免费在线数据库。
LLM KG Builder 支持多种来源导入，包括 PDF、Markdown、图片、网页及 YouTube 视频。该工具不仅能生成知识图谱，还提供基于文档向量和图谱的在线问答功能。
在 Graph Enhancement 选项中，可以选择预设或自定义的模式（Schema）。利用 LLM 可以自动生成 Node Labels 和 Relationship Types，虽然结果可能需要人工校验，但能大幅提高效率。
生成的图谱通常包含：
针对复杂问题，两种方案的回答质量有所不同。
| 特性 | LLM Knowledge Graph Builder | GraphRAG (Local Search) |
|---|---|---|
| 细节丰富度 | 较高，注重具体步骤 | 清晰，条理分明 |
| 可追溯性 | 强，提供文档和片段引用 | 较强，提供实体引用 |
| 泛化能力 | 依赖预设 Schema | 依赖图谱连通性 |
| 部署难度 | 低（SaaS/云原生） | 中（需本地配置） |
以"NAND Flash 芯片失效分析流程"为例：
如果输入数据不足，两者都可能无法建立跨领域的联系。因此，构建高质量的知识库需要积累足够多且高质量的文献数据。
在 LLM 时代，知识图谱的门槛已显著降低。通过 LLM KG Builder 或 GraphRAG，用户可以基于个人笔记、文献、网页等来源轻松创建和管理自己的知识网络。
未来的知识管理工具将更加智能化，能够自动识别和推荐相关内容，帮助用户发现潜在的联系和洞见。这不仅提升个人学习效率，也将促进知识的共享与协作。
基于知识图谱的知识库不仅是个人知识管理的利器，更将成为推动集体智慧与创新的重要基础。未来，随着技术的进步，我们有望看到一个更加开放和互联的知识生态系统。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online