五分钟构建动态知识图谱：利用大模型提取实体关系与对话

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。

处理原理

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：

1. 内容被分割成小块（Chunking）。
2. 小块存储在图中，并连接到文档节点和彼此，以实现高级 RAG 模式。
3. 高度相似的小块通过 SIMILAR 关系连接，形成 K 最近邻图。
4. 计算并存储小块的嵌入和向量索引。
5. 使用 llm-graph-transformer 或 diffbot-graph-transformer，从文本中提取实体和关系。
6. 实体存储在图中，并连接到原始小块。

探索知识图谱

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）。

与你上传的数据对话

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。

工作原理

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

对话界面功能

在主屏幕右侧的聊天窗口，你会看到三个按钮：

• 关闭：关闭聊天机器人界面。
• 清除聊天记录：删除当前会话的聊天记录。
• 最大化窗口：以全屏模式打开聊天机器人界面。

RAG 代理回答后，还有三种功能：

• 详情：打开检索信息弹出窗口，显示 RAG 代理如何收集和使用来源（文档）、块和实体的信息。还包括所用模型的信息和令牌消耗情况。
• 复制：将回答内容复制到剪贴板。
• 文字转语音：将回答内容朗读出来。

实际应用场景

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。

进阶用法与最佳实践

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：

1. 数据预处理

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。

2. 自定义图模式

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。

3. 结合 Cypher 查询

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。

4. 隐私与安全

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。

结语

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。

• GitHub 仓库：https://github.com/neo4j-labs/llm-graph-builder
• 官方入门指南：https://neo4j.com/labs/genai-ecosystem/llm-graph-builder/

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。