WeKnora 知识图谱让文档关联与检索路径不再隐形【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知识库文档超过 500 篇后找一条跨文档的关联信息像大海捞针系统给出答案时你也说不清它到底引用了哪几个分块。WeKnora 的知识图谱和检索路径可视化把这些黑箱变成了看得见的图实体自己连成网答案的每个字都能追到原文出处。️ 文档知识图谱让实体自己连成网络上传文档后WeKnora 不止切块和向量化还会让 LLM 从每个分块里抽取实体与关系——人名、产品、日期这些关键项变成节点从属引用这类语义联系变成边。边的权重不是拍脑袋由点互信息PMI与关系强度按 0.6 : 0.4 加权得出实现细节可以看 internal/application/service/graph.go。线越粗说明这条关联越站得住脚。两种视角看同一张图实体关系图大小看频次粗细看权重分块关系图以分块为粒度连通文档 检索路径可视化追一下答案的来源RAG 检索的几步关键动作界面上全都摊开给你看问题改写先把问法变得更精确混合检索向量抓语义关键词抓字面知识整合答案高亮引用了哪些分块两次检索的结果会并排对比再合并出最终 Top-K生成答案时引用的分块会被高亮点一下就能跳回原文。改写、抽关键词的提示词都放在 config/prompt_templates/检索效果不稳时先来这里翻一翻。 跟着做四步跑出一个能看图谱的实例第一步起服务。项目根目录执行 start_all.sh即 scripts/start_all.sh前后端一起来注册账号后进入管理页。第二步开图谱。.env里加上 NEO4J_ENABLEtrue 等 Neo4j 配置再执行docker-compose --profile neo4j up -d具体写法见 docs/开启知识图谱功能.md重启后日志里看到 neo4j 初始化成功即可。第三步打开抽取开关。知识库设置页勾选启用实体抽取与启用关系抽取按提示补齐 LLM 参数。第四步传文档提问。上传一份 PDF 或文本解析完成后在文档的 Wiki 页能看到图谱页签再对着它问一句Liwx 入住的房型是什么答案会带上高亮的引用分块。 再试一步点点图上那些橙色节点图谱出来后别怕碰它。拖节点调布局、缩到最小看全貌、双击看详情在 Wiki 图谱页点选一个节点相关分块和连线会高亮右侧同步弹出该页的结构化卡片——摘要、实体、别名一目了然。想更深一点可以打开localhost:7474的 Neo4j 控制台跑一句MATCH (n) RETURN n把完整的节点清单捞出来看看。打开项目 README跑一遍试试上传几份自己的真实文档再提问是检验这套图谱对你有没有用的最快方式。【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 WeKnora 知识图谱让文档关联与检索路径不再隐形
WeKnora 知识图谱让文档关联与检索路径不再隐形【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知识库文档超过 500 篇后找一条跨文档的关联信息像大海捞针系统给出答案时你也说不清它到底引用了哪几个分块。WeKnora 的知识图谱和检索路径可视化把这些黑箱变成了看得见的图实体自己连成网答案的每个字都能追到原文出处。️ 文档知识图谱让实体自己连成网络上传文档后WeKnora 不止切块和向量化还会让 LLM 从每个分块里抽取实体与关系——人名、产品、日期这些关键项变成节点从属引用这类语义联系变成边。边的权重不是拍脑袋由点互信息PMI与关系强度按 0.6 : 0.4 加权得出实现细节可以看 internal/application/service/graph.go。线越粗说明这条关联越站得住脚。两种视角看同一张图实体关系图大小看频次粗细看权重分块关系图以分块为粒度连通文档 检索路径可视化追一下答案的来源RAG 检索的几步关键动作界面上全都摊开给你看问题改写先把问法变得更精确混合检索向量抓语义关键词抓字面知识整合答案高亮引用了哪些分块两次检索的结果会并排对比再合并出最终 Top-K生成答案时引用的分块会被高亮点一下就能跳回原文。改写、抽关键词的提示词都放在 config/prompt_templates/检索效果不稳时先来这里翻一翻。 跟着做四步跑出一个能看图谱的实例第一步起服务。项目根目录执行 start_all.sh即 scripts/start_all.sh前后端一起来注册账号后进入管理页。第二步开图谱。.env里加上 NEO4J_ENABLEtrue 等 Neo4j 配置再执行docker-compose --profile neo4j up -d具体写法见 docs/开启知识图谱功能.md重启后日志里看到 neo4j 初始化成功即可。第三步打开抽取开关。知识库设置页勾选启用实体抽取与启用关系抽取按提示补齐 LLM 参数。第四步传文档提问。上传一份 PDF 或文本解析完成后在文档的 Wiki 页能看到图谱页签再对着它问一句Liwx 入住的房型是什么答案会带上高亮的引用分块。 再试一步点点图上那些橙色节点图谱出来后别怕碰它。拖节点调布局、缩到最小看全貌、双击看详情在 Wiki 图谱页点选一个节点相关分块和连线会高亮右侧同步弹出该页的结构化卡片——摘要、实体、别名一目了然。想更深一点可以打开localhost:7474的 Neo4j 控制台跑一句MATCH (n) RETURN n把完整的节点清单捞出来看看。打开项目 README跑一遍试试上传几份自己的真实文档再提问是检验这套图谱对你有没有用的最快方式。【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