WeKnora三步看懂答案从哪来：知识图谱与检索路径一图可视化-开发者社区

WeKnora三步看懂答案从哪来：知识图谱与检索路径一图可视化

【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

答案拿到了，却说不清它出自哪份文档、哪一段。同事追问“这个数字哪来的”时，你只能翻聊天记录。WeKnora 把知识图谱（Knowledge Graph）和检索路径都画成了图，答案的来龙去脉一目了然。

功能总览：两大能力各解决什么问题

知识图谱（Knowledge Graph）：把散落在文档里的实体与关系自动连成结构化网络，词与词之间的上下文不再靠猜。
双图谱视图：实体关系图看概念之间的关联，分块关系图（Chunk Graph）看文档内部结构，一张图一个视角。
检索路径可视化：问题改写、混合检索、答案生成被拆成完整步骤展开，每一步都看得见。
来源高亮：答案引用的具体分块（Chunk）会被点亮，点一下就能跳回原文核对。

5分钟上手

🚀 下面这套操作，五分钟内就能跑完。

启动服务与上传文档

运行 scripts/start_all.sh 拉起全套服务。
在知识库页面上传 PDF 或文本文档，解析完成后系统自动抽取实体与关系，生成图谱。
若想把图谱同步到图数据库，可按 docs/KnowledgeGraph.md 中的说明在知识库设置里启用 Neo4j。

打开图谱并完成第一次检索

进入“图谱”标签页，在实体关系图与分块关系图之间切换。
滚轮缩放、拖拽画布调整布局；实体视图中节点大小对应实体出现频次，连线粗细对应关系权重。
双击节点，查看它的描述、关联关系和来源分块。
回到对话页输入问题，查看检索路径；Top-K（默认5）控制参与生成的分块数量，偏少则补漏、偏多则降噪。

图谱背后：知识图谱是怎么建出来的

图谱构建器位于 internal/application/service/graph.go，整个过程分三幕：

实体提取：LLM 逐块扫描文档，挑出人名、地点、术语等关键实体，每个实体都带上标题、描述、出现次数等属性。
关系抽取：把实体两两配对，识别“A—选择—B”这样的有向关系，并计算关系权重。权重由点互信息（PMI）与关系强度加权合成：最终权重 = 1 + 9 × (0.6 × 归一化PMI值 + 0.4 × 归一化强度值)，落在 1~10 区间。两个实体共现信号越强，PMI 越大，权重也就越重。
图谱构建：实体与关系被装配成图结构，直接关系与间接关系都能走通；间接关系的权重按 0.5 衰减，所以图上连线的“远近”是看得出来的。

抽取用的提示词模板可以自行调整，默认配置在 config/prompt_templates/graph_extraction.yaml。

检索路径：追踪答案的完整旅程

以“Liwx入住的房型是什么”为例，整条路径可以倒着捋清楚：

知识整合：命中分块被塞进上下文交给 LLM 生成答案。最终答案“双床房”高亮指向“双床房选择记录”那条分块，点一下直接跳到原文，答案的出处不用猜。
混合检索：向量检索（Vector Search）按语义相似度找、关键词检索（Keyword Search）按字面匹配找，两路结果合并排序，取 Top-K 个分块进入生成环节。这个例子里命中了 2 个分块。
问题改写：检索真正开始前，LLM 已把“入住的房型是什么”优化成“Liwx本次入住的房型是什么”，限定词补全后，检索命中率明显更高。