007e6aeb1f
修复图数据库查询时的错误处理，添加完整的traceback信息 重构查询逻辑，分离向量查询和模糊查询方法 更新README文档说明知识图谱的限制和使用方法 确保查询只针对带有Entity标签的节点 添加数据库状态检查断言
252 lines
9.0 KiB
Markdown
252 lines
9.0 KiB
Markdown
<h1 align="center">语析 - 基于大模型的知识库与知识图谱问答系统</h1>
|
||
|
||
<div align="center">
|
||
|
||
|
||
|
||
|
||
|
||
|
||
|
||
|
||
</div>
|
||
|
||
## 📖 简介
|
||
|
||
语析是一个功能强大的智能问答平台，融合了 RAG 知识库与知识图谱技术，基于 LangGraph + Vue.js + FastAPI + LightRAG 架构构建。
|
||
|
||
### ✨ 核心特性
|
||
|
||
- 🤖 **多模型支持** - 适配主流大模型平台及本地部署（vLLM、Ollama），支持自定义智能体开发，兼容 LangGraph 部署
|
||
- 📚 **灵活知识库** - 支持 LightRAG、Milvus、Chroma 等存储形式，配置 MinerU、PP-Structure-V3的文档解析引擎
|
||
- 🕸️ **知识图谱** - 支持LightRAG的自动图谱构建，以及自定义图谱问答，可接入现有知识图谱
|
||
- 👥 **权限控制** - 支持超级管理员、管理员、普通用户三级权限体系
|
||
|
||
|
||
|
||
https://github.com/user-attachments/assets/15f7f315-003d-4e41-a260-739c2529f824
|
||
|
||
|
||
## 🚀 快速开始
|
||
|
||
### 系统要求
|
||
|
||
项目本身不需要显卡支持，可以运行在任何设备上。对于模型推理或者文档解析服务都可以和项目本身解耦，通过环境变量配置对应的服务即可。同时项目也提供了本地部署基于 vllm 的脚本。
|
||
|
||
### 一键启动
|
||
|
||
1. **克隆项目**
|
||
```bash
|
||
git clone -b stable https://github.com/xerrors/Yuxi-Know.git
|
||
cd Yuxi-Know
|
||
```
|
||
|
||
2. **配置 API 密钥**
|
||
|
||
复制环境变量模板并编辑：
|
||
```bash
|
||
cp src/.env.template src/.env
|
||
```
|
||
|
||
**必需配置**（推荐使用硅基流动免费服务）：
|
||
```env
|
||
SILICONFLOW_API_KEY=sk-270ea********8bfa97.e3XOMd****Q1Sk
|
||
```
|
||
> 💡 [免费获取 SiliconFlow API Key](https://cloud.siliconflow.cn/i/Eo5yTHGJ)（注册即送 14 元额度）
|
||
> 💡 [免费获取 智谱 API Key](https://www.bigmodel.cn/invite?icode=6BruxYJDdROL5pQX%2FOeYvA%3D%3D)（注册即送 2000 万Tokens）
|
||
|
||
3. **启动服务**
|
||
```bash
|
||
docker compose up --build
|
||
```
|
||
|
||
添加 `-d` 参数可后台运行。启动完成后访问：[http://localhost:5173](http://localhost:5173)
|
||
|
||
4. **停止服务**
|
||
```bash
|
||
docker compose down
|
||
```
|
||
|
||
### 故障排除
|
||
|
||
如果 docker 已经正常启动，则使用 `docker logs api-dev -f` 查看后端日志。
|
||
|
||
<details>
|
||
<summary>Docker 镜像拉取失败</summary>
|
||
|
||
如果拉取镜像失败，可以尝试手动拉取：
|
||
|
||
```bash
|
||
bash docker/pull_image.sh python:3.11-slim # 替换后面的 repo_name 即可
|
||
```
|
||
**如果**依然存在镜像拉取问题，可以现在另外一个可访问 Docker 的设备上执行拉取镜像后，使用下面的脚本保存为 tar 文件，再拷贝到开发设备使用。
|
||
```bash
|
||
# 保存镜像，会生成 docker_images_xxx.tar
|
||
bash docker/save_docker_images.sh # Linux 或 macOS
|
||
powershell -ExecutionPolicy Bypass -File docker/save_docker_images.ps1 # Windows PowerShell
|
||
|
||
# 拷贝 docker_images_xxx.tar 文件到开发设备
|
||
scp docker_images_xxx.tar <user>@<dev_host>:<path_to_save>
|
||
|
||
# 在开发设备上执行
|
||
docker load -i docker_images_xxx.tar
|
||
```
|
||
</details>
|
||
|
||
<details>
|
||
<summary>Milvus 启动失败，执行 `docker compose up milvus -d && docker restart api-dev`</summary>
|
||
</details>
|
||
|
||
|
||
## 🤖 模型配置
|
||
|
||
### 对话模型
|
||
|
||
支持多种 API 服务商，配置对应的 `API_KEY` 即可使用：
|
||
|
||
| 服务商 | 推荐模型 | 环境变量 | 备注 |
|
||
|--------|---------|----------|------|
|
||
| 硅基流动 | `Qwen2.5-7B-Instruct` | `SILICONFLOW_API_KEY` | 🆓 免费，默认 |
|
||
| OpenAI | `gpt-4o` | `OPENAI_API_KEY` | |
|
||
| DeepSeek | `deepseek-chat` | `DEEPSEEK_API_KEY` | |
|
||
| OpenRouter | `openrouter` | `OPENROUTER_API_KEY` | |
|
||
| 智谱清言 | `glm-4-flash` | `ZHIPUAI_API_KEY` | |
|
||
| 阿里云百炼 | `qwen-max-latest` | `DASHSCOPE_API_KEY` | |
|
||
|
||
<details>
|
||
<summary>自定义模型供应商</summary>
|
||
|
||
在 [src/static/models.yaml](src/static/models.yaml) 中添加新的模型配置，然后在 `.env` 文件中添加对应的环境变量，最后重新部署项目即可。
|
||
|
||
**示例**：
|
||
|
||
```yaml
|
||
custom-provider-name-here:
|
||
name: custom-provider-name-here
|
||
default: custom-model-name-here
|
||
base_url: "https://api.your-provider.com/v1"
|
||
env:
|
||
- CUSTOM_API_KEY_ENV_NAME # e.g. OPENAI_API_KEY
|
||
models:
|
||
- supported-model-name-here
|
||
```
|
||
</details>
|
||
|
||
### OpenAI 兼容模型
|
||
|
||
项目理论上兼容任何 OpenAI 兼容的模型，包括但不限于 vLLM、Ollama 或者其他 API 中转或者代理服务。在 Web 界面的"设置"中添加本地模型地址。
|
||
|
||
|
||
<!-- |模型选择|自定义模型地址|
|
||
|--|--|
|
||
||| -->
|
||
|
||
|
||
|
||
## 📚 功能详解
|
||
|
||
### 知识库管理
|
||
|
||
现在支持的知识库类型包括 `Chroma`、`Milvus`、`LightRAG`。[LightRAG](https://github.com/HKUDS/LightRAG) 是轻量级 GraphRAG方法。
|
||
|
||
|
||
|
||
### 知识图谱
|
||
|
||
在 v0.2 版本中，项目支持了基于 [LightRAG](https://github.com/HKUDS/LightRAG) 的知识图谱构建方法。需要在知识库中创建一个基于 LightRAG 的知识库，然后上传文档。构建的知识图谱会自动导入到 Neo4j 中，并使用不同的 label 做区分。需要说明的是，基于 LightRAG 的知识库，可以在知识库详情中可视化，但是不能在侧边栏的图谱中检索，知识图谱检索工具也不支持基于 LightRAG 的知识库进行检索。基于 LightRAG 方法构建的图谱的查询，需要使用对应的知识库作为查询工具。
|
||
|
||
|知识库可视化|Neo4J管理端|
|
||
|--|--|
|
||
|||
|
||
|
||
除此之外，也支持将已有的知识图谱按照下面的格式导入 Neo4j 中，上传后，节点会自动添加 `Upload`、`Entity` 标签，关系会自动添加 `Relation` 标签。可以通过 `name` 属性访问实体的名称，使用 `type` 属性访问边的名称。默认账户密码是`neo4j` / `0123456789`。
|
||
|
||
**数据格式**：支持 JSONL 格式导入
|
||
```jsonl
|
||
{"h": "北京", "t": "中国", "r": "首都"}
|
||
{"h": "上海", "t": "中国", "r": "直辖市"}
|
||
```
|
||
|
||
此外，也可以通过修改 `docker-compose.yml` 中的 `NEO4J_URI` 配置来接入已有的 Neo4j 实例，但是最好确保每个节点都有 Entity 标签，否则会影响到图的检索与构建。
|
||
|
||
|
||
## 🔧 高级配置
|
||
|
||
### OCR 服务（可选）
|
||
|
||
对于**基础的 OCR 服务**（RapidOCR onnx 版本），可以使用 SWHL/RapidOCR 的 onnx 版本，但是需要提前将模型下载到 `$MODEL_DIR` 目录下。
|
||
|
||
```bash
|
||
huggingface-cli download SWHL/RapidOCR --local-dir ${MODEL_DIR:-./models}/SWHL/RapidOCR
|
||
```
|
||
|
||
*如果提示 `[Errno 13] Permission denied` 则需要使用 sudo 修改权限之后再执行*
|
||
|
||
提升 PDF 解析准确性，可以选择使用 MinerU 或 PP-Structure-V3 服务，但是需要 GPU 支持。
|
||
|
||
启用**MinerU**服务：
|
||
|
||
```bash
|
||
# MinerU（需要 CUDA 12.4+）
|
||
docker compose up mineru --build
|
||
```
|
||
|
||
启用**PP-Structure-V3**服务，配置文件可以在 [docker/PP-StructureV3.yaml](docker/PP-StructureV3.yaml) 中修改。
|
||
|
||
```bash
|
||
# PP-Structure-V3（需要 CUDA 11.8+）
|
||
docker compose up paddlex --build
|
||
```
|
||
|
||
### 服务端口说明
|
||
|
||
| 端口 | 服务 | 说明 |
|
||
|------|------|------|
|
||
| 5173 | Web 前端 | 用户界面 |
|
||
| 5050 | API 后端 | 核心服务 |
|
||
| 7474/7687 | Neo4j | 图数据库 |
|
||
| 9000/9001 | MinIO | 对象存储 |
|
||
| 19530/9091 | Milvus | 向量数据库 |
|
||
| 30000 | MinerU | PDF 解析（可选）|
|
||
| 8080 | PaddleX | OCR 服务（可选）|
|
||
| 8081 | vLLM | 本地推理（可选）|
|
||
|
||
|
||
## ❓ 常见问题
|
||
|
||
暂无
|
||
|
||
## 🤝 参与贡献
|
||
|
||
感谢所有贡献者的支持！
|
||
|
||
<a href="https://github.com/xerrors/Yuxi-Know/contributors">
|
||
<img src="https://contributors.nn.ci/api?repo=xerrors/Yuxi-Know" alt="贡献者名单">
|
||
</a>
|
||
|
||
### 如何贡献
|
||
|
||
1. Fork 本项目
|
||
2. 创建特性分支 (`git checkout -b feature/amazing-feature`)
|
||
3. 提交更改 (`git commit -m 'Add some amazing feature'`)
|
||
4. 推送到分支 (`git push origin feature/amazing-feature`)
|
||
5. 创建 Pull Request
|
||
|
||
## 📊 Star History
|
||
|
||
[](https://star-history.com/#xerrors/Yuxi-Know)
|
||
|
||
## 📄 许可证
|
||
|
||
本项目采用 MIT 许可证 - 查看 [LICENSE](LICENSE) 文件了解详情。
|
||
|
||
---
|
||
|
||
<div align="center">
|
||
|
||
**如果这个项目对您有帮助，请不要忘记给我们一个 ⭐️**
|
||
|
||
[报告问题](https://github.com/xerrors/Yuxi-Know/issues) | [功能请求](https://github.com/xerrors/Yuxi-Know/issues) | [讨论](https://github.com/xerrors/Yuxi-Know/discussions)
|
||
|
||
</div>
|