本文介绍了如何利用 Neo4j 大模型知识图谱构建器在 5 分钟内将非结构化数据转化为动态知识图谱。文章详细阐述了环境准备、数据导入、图谱构建及与数据对话的全过程。核心功能包括自动识别实体关系、可视化图谱展示以及基于 GraphRAG 的自然语言问答。通过该工具，用户无需编写代码即可实现文档数据的结构化提取与智能查询，适用于供应链分析、法规合规检查等多种场景。文中还补充了进阶用法、最佳实践及隐私安全建议，帮助用户更高效地利用该技术构建智能应用。
利用知识图谱从大量文档、视频中提取信息，建立实体之间的关系，有利于加速信息处理，提取文档中的数据，以及发现实体之间潜在关系和规律。
随着 AI 大模型的快速发展，大模型和知识图谱的结合带来了更多可能性。本文将演示如何在 5 分钟内上传数据源，构建一个动态知识图谱，可用于提取实体关系，并且与数据对话。
这里使用的工具是 大模型知识图谱构建器（LLM Knowledge Graph Builder）。这是 Neo4j 生态系统中常用的 GraphRAG 工具之一，能够将非结构化数据转化为动态知识图谱，还可以通过自然语言查询数据并获得解释性见解。
Neo4j 大模型知识图谱构建器是一款在线应用，无需编写代码和使用 Cypher 语言即可将非结构化文本转化为知识图谱，操作起来非常方便。
它利用机器学习模型将 PDF 文件、网页和 YouTube 视频等转化为包含实体及其关系的知识图谱。前端是基于 Needle Starter Kit 的 React 应用，后端是 Python FastAPI 应用。该应用使用了 Neo4j 为 LangChain 贡献的 llm-graph-transformer 模块。
该应用体验流畅，分为以下四个简单步骤：
你可以在 Neo4j 官网使用应用程序，无需绑定支付信用卡和 AI 大模型密钥，使用过程无任何障碍。
如果你想在本地或自己的环境中运行该程序，可以访问 GitHub 仓库并按照以下步骤进行操作。
在使用大模型知识图谱构建器之前，你需要创建一个新的 Neo4j 数据库。
你可以按照以下步骤使用免费的 AuraDB 数据库：
完成上述步骤后，Neo4j 数据库已经启动，并且有了凭证。点击右上角的 Connect to Neo4j，你打开大模型知识图谱构建器，将之前下载的凭证文件拖到连接对话框中，所有信息会自动填充。你也可以手动输入所有信息。
首先将非结构化数据导入，然后通过 AI 大模型识别关键实体及其关系。
你可以将 PDF 和其他文件拖到左侧的第一个输入区域。
第二个输入框允许你复制粘贴 YouTube 视频（暂不支持其他视频网站）链接。
第三个输入框则用于输入维基百科页面链接。
在这里，示例中上传了：
你可以选择只上传 pdf 文档，视频或者维基百科页面。
上传文件时，应用程序会使用 LangChain 文档加载器，以及 YouTube 解析器将上传的文件存储为图中的文档节点。
所有文件上传完毕后，你会看到类似如下的界面：
现在，我们只需要选择使用的模型，点击 Generate Graph，系统将为你完成其余的工作！
如果你只想生成特定文件的图谱，可以先选择文件（在表格第一列的复选框中勾选），然后点击 Generate Graph。
⚠️ 提示：如果你想使用预定义的或自定义的图模式，可以点击右上角的设置图标，然后从下拉菜单中选择一个预定义模式。你也可以通过输入节点标签和关系来使用自定义模式，还可以从现有的 Neo4j 数据库中提取模式，或者粘贴文本，让 AI 大模型分析并提供建议的模式。
处理文件并创建知识图谱是如何进行的呢？我把工作原理总结如下：
llm-graph-transformer 或 diffbot-graph-transformer，从文本中提取实体和关系。从文档中提取的信息被结构化为图形格式，其中实体成为节点，关系则成为连接这些节点的边。
Neo4j 的优势在于它能够高效地存储和查询这些复杂的数据网络，使生成的知识图谱能够立即用于各种应用。
在使用 RAG 代理提问之前，可以选中一个或多个文档，点击 显示图谱（Show Graph） 按钮。这将显示所选文档中的实体，你也可以在该视图中显示文档和块节点。
点击 Open Graph with Bloom 按钮将启动 Neo4j Bloom，将可视化创建的知识图谱。点击删除文件（Delete files）将从图中删除选定的文档和块（如果在选项中选择，也会删除实体）。
现在进入最后一个部分：使用右侧面板中的 RAG 代理（RAG agent）对话。
下图展示了 GraphRAG 过程的简化视图。
当用户提出问题时，使用 Neo4j 向量索引和检索查询来找到与问题最相关的块及其连接的实体，深度最多可达两跳。
还可以总结聊天记录，并将其作为一个元素来丰富上下文。
各种输入的信息（问题、向量结果、聊天记录）都会被发送到选定的 AI 大模型中，通过一个自定义提示，向选定的 AI 大模型提供问题的各种输入和来源，并请求其根据这些元素和上下文提供并格式化问题的回答。当然，这个提示还包括其他方面，比如格式化要求引用来源，在不清楚答案时不进行推测等。
完整的提示和指令可以在 QA_integration.py 文件中找到，标记为 FINAL_PROMPT。
文件地址：https://github.com/neo4j-labs/llm-graph-builder/blob/main/backend/src/QA_integration.py#L59
在主屏幕右侧的聊天窗口，你会看到三个按钮：
RAG 代理回答后，还有三种功能：
现在，我就可以询问上传文档的知识了（使用之前上传的数据），比如查询这家公司生产的产品列表，以及这些产品是否受到 CSDDD 法规的影响，如果受到影响，具体的影响是什么。
这种能力使得非技术人员也能轻松利用复杂的知识库进行决策支持，而无需掌握 SQL 或图查询语言。
为了更深入地利用此工具，以下是一些进阶建议和注意事项：
虽然工具支持直接上传 PDF 和视频，但为了提高实体识别的准确率，建议在上传前对文档进行简单的清洗。去除无关的广告、页眉页脚，确保文本内容的连贯性。
对于特定行业，通用的图模式可能不够精确。你可以尝试在设置中定义自定义的节点标签（Label）和关系类型（Relationship Type）。例如，在金融领域，可以将'公司'定义为 Company，将'投资'定义为 INVESTED_IN。
虽然工具提供了自然语言接口，但对于需要复杂逻辑的场景，可以直接在 Neo4j Browser 中使用 Cypher 语句进行查询。这允许你执行更精细的数据挖掘和分析任务。
在使用云端服务处理敏感数据时，请注意数据隐私政策。如果涉及企业内部机密，建议使用本地部署版本，并确保网络连接的安全。
如果你想更深入地了解 AI 大模型知识图谱构建器，可以访问 GitHub 仓库，那里有丰富的信息，包括源代码和文档。
此外，你可以查看更详细的入门指南，获取更多知识图谱构建经验。
通过结合大模型的语义理解能力和知识图谱的结构化推理能力，我们可以构建出更加智能、可解释的 AI 应用系统。
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
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
将 Markdown（GFM）转为 HTML 片段，浏览器内 marked 解析；与 HTML转Markdown 互为补充。 在线工具，Markdown转HTML在线工具，online