五分钟构建动态知识图谱：利用大模型提取实体关系与数据对话

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。

工作原理

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（Embeddings）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。

机制说明

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。

实际应用场景示例

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。

部署与安全考量

虽然在线工具非常便捷，但在企业环境中使用时，需考虑数据隐私和安全问题。

本地部署

如果你想在本地或自己的环境中运行该程序，可以访问 GitHub 仓库并按照官方文档进行操作。这允许你将数据保留在内部网络中，避免敏感信息泄露。

GitHub 仓库：https://github.com/neo4j-labs/llm-graph-builder

性能优化

1. 分块大小：调整文档切分的大小会影响实体提取的精度。过大的块可能导致关系模糊，过小的块可能丢失上下文。
2. 模型选择：不同的 LLM 在实体识别能力上有所差异。对于专业领域，建议使用经过微调的模型或提供更详细的 Prompt 指导。
3. 向量索引：Neo4j 的向量索引性能取决于硬件配置。对于大规模图谱，建议配置 SSD 存储并使用适当的索引参数。

总结

本文介绍了如何使用 Neo4j 大模型知识图谱构建器快速将非结构化数据转化为可交互的知识图谱。通过简单的几步操作，用户可以实现数据的自动化提取、关系发现和智能问答。

该工具结合了 RAG（检索增强生成）和知识图谱技术，为处理复杂文档提供了新的思路。无论是用于企业内部知识库建设，还是个人信息管理，都是一个高效的解决方案。

如需更深入地了解 AI 大模型知识图谱构建器，建议访问官方 GitHub 仓库查看源代码和文档，获取更多构建经验。