WeKnora 知识图谱可视化把数百份文档的实体关系一张图看清【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周五下午客户问回家模式怎么配置答案散落在中控手册、FAQ 和几份培训文档里翻到第三份你已经忘了第一份写了什么。这是多文档问答的典型处境片段之间没有连接答案的来路也不透明。核心能力拆解WeKnora 是开源 LLM 知识平台RAG 问答、Agent 推理、Wiki 生成共用同一套索引。它对这个场景的处理分两半入库时做实体关系抽取把文档变成知识图谱查询时走混合检索并把整条链路回放出来。平台围绕三种形态组织快速问答、ReAct 多步推理、Wiki 模式自动整理文档前两者共用同一条检索链路Wiki 模式额外把文档沉淀成可浏览的页面与图谱。知识图谱视图把文档关联显性化这个模块解决片段之间没有联系的问题。在知识库设置里勾选实体与关系抽取后文档在解析阶段除了分块和摘要还会走一条图谱抽取支线实体和带标签的关系写入 Neo4j。界面上知识库的图谱页签按类型给节点着色摘要、实体、概念、问答、对比点击节点右侧面板展示对应 Wiki 页面的摘要与结构化字段。下面是春联主题文档抽取出的实体关系图神荼、郁垒、桃符、春联都是节点连线标注桃符是春联的原始形式这类关系灰色块是来源原文。这就是入库后图谱的原始形态。检索链路回放答案怎么找到的看得见RAG 系统最常见的抱怨是黑箱。WeKnora 的管线固定四步查询改写结合历史上下文→ 三路混合检索BM25 关键词、稠密向量、知识图谱并行→ 重排 → LLM 生成。 对话界面把这条链路摊开显示先已完成问题理解再检索知识库…找到 1 个结果最后完成。哪一步慢、召回了几条不用猜。带引用的答案每条结论都能核对答案不是裸文本。关键结论带内联引用悬停可看来源片段顶部汇总引用了 1 篇文档引用抽屉里知识库来源与网页来源分开列。核对时直接点开原文不用自己再搜一遍。上手路径从零到可查询知识库WeKnora 完全模块化解析、向量库、存储后端都可以换。整体架构见下图文档处理与 RAG/Agent 引擎两条主线并行下面挂 PostgreSQL、Neo4j可选、Redis 等存储层。 部署链路是一条从仓库到图谱的直线从 https://gitcode.com/GitHub_Trending/we/WeKnora 克隆开始克隆仓库初始化 .envcompose 启动核心服务加 neo4j profile 起图库知识库开启实体与关系抽取上传文档等待解析完成打开图谱页签核对节点关系起来之后Web 界面在 80 端口Langfuse 追踪在 3000 端口图谱还能在 Neo4j 浏览器7474 端口里用 Cypher 语句查看。每步细节见开启知识图谱功能指南。实操走查智能家电产品文档库输入中控产品手册PDF、项目 FAQ、培训与配置文档若干。中间环节多引擎解析含 OCR 与图片描述→ 分块与摘要 → 实体关系抽取写入 Neo4j → 向量入索引 → 查询改写 → BM25、向量、图谱三路混合检索 → 重排 → 生成。输出一段按触发条件 / 执行动作 / 配置步骤组织的回答内联标注来源文档图谱里回家模式作为节点与设备、场景相连可以顺着连线找到相邻文档。如果答案不够准回到中间环节找原因引用抽屉能看到召回了哪几条片段得分低的片段通常指向查询改写或分块的问题。边界与进阶当前覆盖实体级知识图谱、图谱参与混合检索、Wiki 模式自动生成互相链接的 Markdown 页面带图谱、修订历史和一键回滚、多工作区权限与审计。不覆盖图库是可选组件不启用 Neo4j 就没有图谱能力Roadmap 里文档结构可视化章节结构、图谱关系展示还是待办所以目前图谱停在实体层没有章节级或时间维度的分析。扩展面20 多家 LLM 提供方、8 种以上向量库可替换MCP Server 暴露 29 个工具给外部 AgentCLI 支持脚本化操作接口细节见 API 文档。回到开头的问题把文档丢进去等图谱建好再问一遍回家模式怎么配置引用抽屉里会直接给出来源。去 README 的 Quick Start 跑一遍半小时能搭出你的版本。【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 知识图谱可视化：把数百份文档的实体关系一张图看清
WeKnora 知识图谱可视化把数百份文档的实体关系一张图看清【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周五下午客户问回家模式怎么配置答案散落在中控手册、FAQ 和几份培训文档里翻到第三份你已经忘了第一份写了什么。这是多文档问答的典型处境片段之间没有连接答案的来路也不透明。核心能力拆解WeKnora 是开源 LLM 知识平台RAG 问答、Agent 推理、Wiki 生成共用同一套索引。它对这个场景的处理分两半入库时做实体关系抽取把文档变成知识图谱查询时走混合检索并把整条链路回放出来。平台围绕三种形态组织快速问答、ReAct 多步推理、Wiki 模式自动整理文档前两者共用同一条检索链路Wiki 模式额外把文档沉淀成可浏览的页面与图谱。知识图谱视图把文档关联显性化这个模块解决片段之间没有联系的问题。在知识库设置里勾选实体与关系抽取后文档在解析阶段除了分块和摘要还会走一条图谱抽取支线实体和带标签的关系写入 Neo4j。界面上知识库的图谱页签按类型给节点着色摘要、实体、概念、问答、对比点击节点右侧面板展示对应 Wiki 页面的摘要与结构化字段。下面是春联主题文档抽取出的实体关系图神荼、郁垒、桃符、春联都是节点连线标注桃符是春联的原始形式这类关系灰色块是来源原文。这就是入库后图谱的原始形态。检索链路回放答案怎么找到的看得见RAG 系统最常见的抱怨是黑箱。WeKnora 的管线固定四步查询改写结合历史上下文→ 三路混合检索BM25 关键词、稠密向量、知识图谱并行→ 重排 → LLM 生成。 对话界面把这条链路摊开显示先已完成问题理解再检索知识库…找到 1 个结果最后完成。哪一步慢、召回了几条不用猜。带引用的答案每条结论都能核对答案不是裸文本。关键结论带内联引用悬停可看来源片段顶部汇总引用了 1 篇文档引用抽屉里知识库来源与网页来源分开列。核对时直接点开原文不用自己再搜一遍。上手路径从零到可查询知识库WeKnora 完全模块化解析、向量库、存储后端都可以换。整体架构见下图文档处理与 RAG/Agent 引擎两条主线并行下面挂 PostgreSQL、Neo4j可选、Redis 等存储层。 部署链路是一条从仓库到图谱的直线从 https://gitcode.com/GitHub_Trending/we/WeKnora 克隆开始克隆仓库初始化 .envcompose 启动核心服务加 neo4j profile 起图库知识库开启实体与关系抽取上传文档等待解析完成打开图谱页签核对节点关系起来之后Web 界面在 80 端口Langfuse 追踪在 3000 端口图谱还能在 Neo4j 浏览器7474 端口里用 Cypher 语句查看。每步细节见开启知识图谱功能指南。实操走查智能家电产品文档库输入中控产品手册PDF、项目 FAQ、培训与配置文档若干。中间环节多引擎解析含 OCR 与图片描述→ 分块与摘要 → 实体关系抽取写入 Neo4j → 向量入索引 → 查询改写 → BM25、向量、图谱三路混合检索 → 重排 → 生成。输出一段按触发条件 / 执行动作 / 配置步骤组织的回答内联标注来源文档图谱里回家模式作为节点与设备、场景相连可以顺着连线找到相邻文档。如果答案不够准回到中间环节找原因引用抽屉能看到召回了哪几条片段得分低的片段通常指向查询改写或分块的问题。边界与进阶当前覆盖实体级知识图谱、图谱参与混合检索、Wiki 模式自动生成互相链接的 Markdown 页面带图谱、修订历史和一键回滚、多工作区权限与审计。不覆盖图库是可选组件不启用 Neo4j 就没有图谱能力Roadmap 里文档结构可视化章节结构、图谱关系展示还是待办所以目前图谱停在实体层没有章节级或时间维度的分析。扩展面20 多家 LLM 提供方、8 种以上向量库可替换MCP Server 暴露 29 个工具给外部 AgentCLI 支持脚本化操作接口细节见 API 文档。回到开头的问题把文档丢进去等图谱建好再问一遍回家模式怎么配置引用抽屉里会直接给出来源。去 README 的 Quick Start 跑一遍半小时能搭出你的版本。【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
