LLM Graph Builder v0.7版本发布：知识图谱构建与用户体验全面升级

LLM Graph Builder v0.7版本发布：知识图谱构建与用户体验全面升级

llm-graph-builder Neo4j graph construction from unstructured data 项目地址: https://gitcode.com/gh_mirrors/ll/llm-graph-builder

LLM Graph Builder是一个基于Neo4j图数据库的开源项目，它利用大语言模型(LLM)的能力，将非结构化数据自动转化为结构化的知识图谱。该项目通过智能提取文本中的实体和关系，构建出可视化的知识网络，为数据分析、智能问答等场景提供了强大的支持。最新发布的v0.7版本在用户体验、知识图谱构建质量、系统性能和错误处理等方面都进行了显著改进。

用户体验与数据洞察增强

v0.7版本在用户体验方面做出了多项重要改进。新增的"文件过期提醒"功能能够及时通知用户本地存储的文件已过期，避免了因使用过期数据导致的分析偏差。当处理网络百科等网页内容时，系统现在能够智能地从URL中提取标题，解决了因元数据缺失导致的标题空白问题，使知识图谱中的节点命名更加清晰完整。

特别值得一提的是，新版本引入了"附加指令"功能，允许用户在实体提取过程中提供特定指令。例如，用户可以指定系统重点关注某些关键主题，或者忽略某些无关内容。这种细粒度的控制大大提升了知识图谱构建的精准度和实用性，使生成的图谱更符合用户的实际需求。

知识图谱构建与检索优化

在知识图谱构建方面，v0.7版本进行了多项架构性改进。新引入的"分块处理限制"机制有效控制了处理过程中生成的文本块数量，既保证了处理效率，又确保了系统在大规模数据下的可扩展性。图谱合并逻辑也进行了重构，现在能够将大型图模式智能地合并为更少但更相关的节点标签和关系类型，显著提升了生成图谱的质量和可读性。

模型集成方面，v0.7版本新增了对Amazon Nova系列模型(Micro、Lite、Pro v1)的支持，这些模型专门优化了图谱生成和问答场景。同时加入的Titan嵌入模型进一步丰富了系统的模型选择，用户可以根据不同场景选择最适合的模型组合。

检索性能方面，新引入的"有效搜索比例"参数(effective_search_ratio)通过动态调整Lucene索引候选池的大小，显著提升了查询的准确性和召回率。这一参数可通过后端环境变量灵活配置，为不同规模的数据集提供了优化的搜索体验。

系统架构与代码质量提升

v0.7版本对代码库进行了全面的清理和优化。移除了大量未使用的库和注释代码，使代码库更加精简高效。图谱后处理流程中的isSchema检查被移除，简化了逻辑判断流程。文档方面，README.md和前端文档都进行了更新，提供了更清晰的使用指南和技术说明。

数据库连接管理方面，修复了切换数据库实例时的多个问题，包括聊天机器人界面的刷新问题、atob控制台错误和重复键警告等。驱动程序优化确保了在获取文本块详情后能够正确关闭连接，避免了资源泄漏风险。

错误处理与稳定性增强

新版本引入了专门的LLMGraphBuilderException异常类，用于处理extract和url_scan API中的用户可见错误，提供了更友好、更准确的错误反馈。日志系统也进行了优化，解决了因JSON解析导致的日志错误问题。

前端方面，修复了指标表格的多个UI问题，提升了交互流畅度。环境变量模型格式错误现在会显示更清晰的描述性错误信息，帮助开发者快速定位问题。模式验证方面，新增了对EquivalentSchemaRuleAlreadyExist错误的专门处理，增强了系统的健壮性。

总结

LLM Graph Builder v0.7版本通过一系列创新性改进，在知识图谱构建质量、系统性能和用户体验等方面都实现了显著提升。新增的模型支持、优化的检索算法和增强的错误处理机制，使该项目在知识图谱自动化构建领域保持了技术领先地位。这些改进不仅提升了现有功能的稳定性和效率，也为未来的功能扩展奠定了坚实基础。

llm-graph-builder Neo4j graph construction from unstructured data 项目地址: https://gitcode.com/gh_mirrors/ll/llm-graph-builder