今天给大家介绍一下师兄主导和我一起开发的一个基于大模型 RAG 技术的知识库与知识图谱问答平台，项目名称叫 Yuxi-Know。

https://github.com/xerrors/Yuxi-Know

该项目前身：KnowledgeGraph-based-on-Raw-text-A27 我们是基于最早的基于 uie 抽取的实体关系，然后构建的知识图谱，然后基于知识图谱进行问答，在 graphRAG 出来后，我们又基于 graphRAG 进行了重构，并增加了知识库的支持。

Yuxi-Know 是一个结合大模型 RAG 技术和知识图谱的问答平台，支持多种大模型调用和本地部署，提供知识库和知识图谱的问答功能。项目采用 Llamaindex、VueJS、Flask 和 Neo4j 等技术栈，支持开发和生产环境的 Docker 部署。

界面展示

Yuxi-Know 是一个基于大模型 RAG（Retrieval-Augmented Generation）知识库与知识图谱的问答平台，以下是关于这个仓库的详细介绍：

项目概述

  • 项目名称：语析（基于大模型的知识库 + 知识图谱问答平台）
  • 技术栈：Llamaindex + VueJS + Flask + Neo4j，大模型适配 OpenAI、国内主流大模型平台的模型调用、本地 vllm 部署，后端还使用了 FastAPI，并添加了 Milvus-Standalone 的独立部署。
  • 项目状态：当前项目还处于开发的早期，存在一些 BUG，鼓励用户发现问题随时提 issue。

主要功能和特性

  • 知识库和知识图谱问答：利用大模型实现基于知识库和知识图谱的问答功能。
  • 多模型支持：
    • 支持 OpenAI 以及国内主流大模型平台的模型调用。
    • 支持本地 vllm 部署。
    • 支持 DeepSeek-R1，需配置 DEEPSEEK_API_KEY 或者 SILICONFLOW_API_KEY 使用。
    • 2025.02.23 增加了 SiliconFlow 的 Rerank 和 Embedding model 支持，现在默认使用 SiliconFlow。
  • 待办功能：
    • Ollma Embedding 支持（Open-like Embedding 支持）。
    • 知识图谱索引支持自定义 Embedding 模型。

接口展示

项目结构

项目主要包含以下几个重要部分：

  • src 目录：
    • 包含项目的主要源代码，如核心逻辑、配置文件、模型、插件、路由等。
    • 有 .env.template 文件，用户可以根据此模板创建 .env 文件来配置 API 密钥等环境变量。
  • web 目录：
    • 前端部分的代码，基于 VueJS 开发，包含 .eslintrc.cjs、.prettierrc.json 等配置文件以及 vite.config.js 构建配置文件。
  • docker 目录：
    • 包含 Docker 相关文件，如 api.Dockerfile、web.Dockerfile、docker-compose.dev.yml 和 docker-compose.yml，用于开发和生产环境的 Docker 部署。
  • images 目录：存放项目的相关图片，如 demo.gif、main.png、reasoning.png 等。
  • scripts 目录：包含一些脚本文件，如 run.sh、run_docker.sh 等，用于项目的启动和运行。

快速上手

  1. 配置 API 密钥：在启动之前，提供 API 服务商的 API_KEY，并放置在 src/.env 文件中。默认使用的是硅基流动，因此务必需要配置 SILICONFLOW_API_KEY=<SILICONFLOW_API_KEY>。其余模型的配置可以参考 src/static/models.yaml 中的 env。
  2. 启动项目（开发环境）：
1docker compose -f docker/docker-compose.dev.yml --env-file src/.env up --build

也可以加上 -d 参数，后台运行。 3. 访问项目：打开 http://localhost:5173/ 就可以看到结果。 4. 关闭 docker 服务：

1docker compose -f docker/docker-compose.dev.yml --env-file src/.env down
  1. 查看日志：
1docker logs <CONTAINER_NAME>  # 例如：docker logs api-dev
  1. 生产环境部署：
1docker compose -f docker/docker-compose.yml --env-file src/.env up --build

演示

模型支持

  • 对话模型仅支持通过 API 调用的模型，如果需要运行本地模型，则建议使用 vllm 转成 API 服务之后使用。使用前请在 .env 配置 APIKEY 后使用，配置项目参考：src/config/models.yaml。

这个项目"语析（基于大模型的知识库 + 知识图谱问答平台）“主要有以下功能和用途：

1. 问答平台功能

  • 基于大模型 RAG 知识库与知识图谱：是一个问答平台，结合了大模型的 RAG（Retrieval-Augmented Generation，检索增强生成）技术，利用知识库和知识图谱来提供问答服务。其技术栈包括 Llamaindex、VueJS、Flask 和 Neo4j。
  • 大模型适配多样：大模型可以适配 OpenAI 以及国内主流大模型平台的模型调用，还支持本地 vllm 部署，用户只需要配置对应服务平台的 API_KEY 就能够使用。

2. 知识库支持

  • 多种格式支持：支持多种格式的知识库，目前支持的格式有 pdf、txt、md。文件上传后，会先转换为纯文本，接着使用向量模型将文本转换为向量，最后存储到向量数据库中，不过这个过程可能会花费不少时间。

3. 知识图谱支持

  • Neo4j 存储：支持使用 Neo4j 作为知识图谱的存储。需要将图谱整理成 jsonl 的格式，每行格式如 {"h": "北京", "t": "中国", "r": "首都"}，然后在网页的图谱管理里添加该文件。
  • 访问管理：项目启动后会自动启动 neo4j 服务，用户可以通过 http://localhost:7474/ 访问和管理图数据库，初始默认账户密码是 neo4j 和 0123456789，可在 docker/docker-compose.yml 和 docker\docker-compose.dev.yml 中修改（注：api.environment 和 graph.environment 都需要修改）。
  • 图谱切换：目前项目中暂不支持同时查询多个知识图谱，短期内也无计划支持，但可以通过配置不同的 NEO4J_URI 服务来切换知识图谱。如果已有基于 neo4j 的知识图谱，可将 docker-compose.yml 中的 graph 配置项删除，并将 api.environment 中的 NEO4J_URI 配置项修改为 neo4j 的服务地址。

4. 部署与启动

  • 开发与生产环境：项目支持开发环境和生产环境的部署。开发环境下，源代码的修改会自动更新（含前端和后端）；生产环境则使用 docker/docker-compose.yml 启动。
  • API_KEY 配置：在启动前，需要提供 API 服务商的 API_KEY 并放置在 src/.env 文件中，默认使用硅基流动，所以务必配置 SILICONFLOW_API_KEY=<SILICONFLOW_API_KEY>，其余模型的配置可参考 src/static/models.yaml 中的 env。
  • 本地模型配置：如果需要指定本地模型（如 Embedding、Rerank 模型）所在路径，需要配置 MODEL_DIR 参数，并在 Docker Compose 中启用映射。

5. 其他

  • 更新日志记录：项目会记录更新日志，如 2025.02.23 支持了 SiliconFlow 的 Rerank 和 Embedding model 且默认使用 SiliconFlow，2025.02.20 支持了 DeepSeek - R1 等。
  • 待办事项：项目有一些待办事项，如 Ollma Embedding 支持（Open - like Embedding 支持）、知识图谱索引支持自定义 Embedding 模型等。

总结：项目的整体情况可以涵盖如下，基于大模型 RAG 知识库与知识图谱：用户可以向平台提出各种问题，平台利用大模型以及相关知识库和知识图谱进行问答服务。例如，对于一些需要专业知识解答的问题，平台可以根据已有的知识储备给出准确回答，欢迎大家来尝试体验。