真的超级好用！五分钟内将文本转为图谱，可用于发现实体之间关系和规律，与文本对话

关注

原创最新推荐文章于 2026-07-04 12:37:50 发布 1.4k 阅读 AI 写同款· GEO 优化 ›

使用Neo4j和Langchain创建知识图谱 使用知识图谱以及Neo4j和Langchain等工具，我们可以将复杂的非结构化文本转换为更容易分析的结构化、相互关联的数据。4. 迭代改进:提取、增强和扩展的过程可以根据需要重复，结合额外的文件、外部数据源和用户反馈，不断改进和提高图表的相关性和准确性。通过遵循这种结构化的方法并结合你的文件中的相关数据，可以创建一个全面的动态知识图谱。将文本分割成块:接下来，我们将提取的文本分割成更小的块，以方便进一步处理。1. 摘要:最初，从文档中摘录相关信息，这些数据被解析并结构化为可管理的块，作为知识图中的节点。阅读详情

利用知识图谱从大量文档、视频中提取信息，建立实体之间的关系，有利于加速信息处理，提取文档中的数据，以及发现实体之间潜在关系和规律。

AI大模型的快速发展，大模型和知识图谱的结合，有了更多可能性。

本文我将演示下面我将演示如何在5分钟内上传数据源，构建一个动态知识图谱，可用于提取实体关系，并且与数据对话。

这里使用的工具是大模型知识图谱构建器（LLM Knowledge Graph Builder ）。

这个工具是Neo4j生态系统中常用的GraphRAG工具之一，能够将非结构化数据转化为动态知识图谱，还可以可以通过自然语言查询数据并获得解释性见解。

先简单介绍下什么是大模型知识图谱构建器，及其工作流程。

什么是大模型知识图谱构建器

Neo4j 大模型知识图谱构建器是一款在线应用，无需编写代码和使用Cypher语言即可将非结构化文本转化为知识图谱，操作起来非常方便。

利用机器学习模型将PDF文件、网页和YouTube视频等转化为包含实体及其关系的知识图谱。

前端是基于我们Needle Starter Kit的React应用，后端是Python FastAPI应用。该应用使用了Neo4j为LangChain贡献的llm-graph-transformer模块。

该应用体验丝滑，分为以下四个简单步骤：

导入数据：支持多种数据源，包括PDF文档、维基百科页面、YouTube视频等。
识别实体：使用AI大模型识别并提取非结构化文本中的实体和关系。
构建图谱：将识别出的实体和关系转换为图谱格式，利用Neo4j的图谱功能。
使用图谱：提供直观的网页界面，用户可以方便地与应用互动，包括上传数据源、可视化生成的图谱以及与RAG代理交互。这一功能特别令人兴奋，因为它使用户能够直观地与数据互动，宛如与知识图谱对话，无需任何技术知识。

你可以在Neo4j官网使用应用程序，无需绑定支付信用卡和AI大模型密钥，使用过程无任何障碍。

如果你想在本地或自己的环境中运行该程序，可以访问GitHub仓库并按照我们将在本文中介绍的步骤进行操作。

现在我们开始。

环境准备

在使用大模型知识图谱构建器之前，你需要创建一个新的Neo4j数据库。

你可以按照以下步骤使用免费的AuraDB数据库：

1、访问 https://console.neo4j.io 并登录或创建账户。
2、在Instances下创建一个新的AuraDB Free数据库。
3、下载凭证文件。
4、等待实例启动。

完成上述步骤后，Neo4j数据库已经启动，并且有了凭证。点击右上角的Connect to Neo4j，你打开大模型知识图谱构建器，

将之前下载的凭证文件拖到连接对话框中，所有信息会自动填充。你也可以手动输入所有信息。

创建知识图谱

首先将非结构化数据导入，然后通过AI大模型识别关键实体及其关系。

你可以将PDF和其他文件拖到左侧的第一个输入区域。

第二个输入框允许你复制粘贴YouTube视频（暂不支持其他视频网站）链接。

第三个输入框则用于输入维基百科页面链接。

在这里，我将上传了：1）一家供应链公司内部的PDF文件，文档详细记录了他们的整个供应链策略和产品。2）福布斯的新闻文章；3）一个关于《企业可持续发展尽职调查指令》（CSDDD）的YouTube视频；4）以及维基百科上的两篇文章。

你可以选择只上传pdf文档，视频或者维基百科页面。

上传文件时，应用程序会使用LangChain文档加载器，以及YouTube解析器将上传的文件存储为图中的文档节点。

所有文件上传完毕后，你会看到类似如下的界面：

现在，我们只需要选择使用的模型，点击Generate Graph，系统将为你完成其余的工作！

如果你只想生成特定文件的图谱，可以先选择文件（在表格第一列的复选框中勾选），然后点击Generate Graph。

⚠️ 如果你想使用预定义的或自定义的图模式，可以点击右上角的设置图标，然后从下拉菜单中选择一个预定义模式。你也可以通过输入节点标签和关系来使用自定义模式，还可以从现有的Neo4j数据库中提取模式，或者粘贴文本，让AI大模型分析并提供建议的模式。

处理文件并创建知识图谱是如何进行的呢？我把工作原理总结如下：

1. 内容被分割成小块。

2. 小块存储在图中，并连接到文档节点和彼此，以实现高级RAG模式。

3. 高度相似的小块通过SIMILAR关系连接，形成K最近邻图。

4. 计算并存储小块的嵌入和向量索引。

5. 使用llm-graph-transformer或diffbot-graph-transformer，从文本中提取实体和关系。

6. 实体存储在图中，并连接到原始小块。

探索知识图谱

从文档中提取的信息被结构化为图形格式，其中实体成为节点，关系则成为连接这些节点的边。

Neo4j的优势在于它能够高效地存储和查询这些复杂的数据网络，使生成的知识图谱能够立即用于各种应用。

在使用RAG代理提问之前，可以选中一个或多个文档，点击显示图谱（Show Graph）按钮。这将显示所选文档中的实体，你也可以在该视图中显示文档和块节点。

点击Open Graph with Bloom按钮将启动Neo4j Bloom，将可视化创建的知识图谱。点击删除文件（Delete files）将从图中删除选定的文档和块（如果在选项中选择，也会删除实体）。

与你上传的数据对话

现在进入最后一个部分：使用右侧面板中的RAG代理（RAG agent）对话。

这部分是如何工作的呢？

下图展示了GraphRAG过程的简化视图。

当用户提出问题时，使用Neo4j向量索引和检索查询来找到与问题最相关的块及其连接的实体，深度最多可达两跳。

还可以总结聊天记录，并将其作为一个元素来丰富上下文。

各种输入的信息（问题、向量结果、聊天记录）都会被发送到选定的AI大模型中，通过一个自定义提示，向选定的AI大模型提供问题的各种输入和来源，并请求其根据这些元素和上下文提供并格式化问题的回答。当然，这个提示还包括其他方面，比如格式化要求引用来源，在不清楚答案时不进行推测等。

完整的提示和指令可以在QA_integration.py文件中找到，标记为FINAL_PROMPT。

文件地址：https://github.com/neo4j-labs/llm-graph-builder/blob/main/backend/src/QA_integration.py#L59

对话界面功能

在主屏幕右侧的聊天窗口，你会看到三个按钮：

关闭：关闭聊天机器人界面。
清除聊天记录：删除当前会话的聊天记录。
最大化窗口：以全屏模式打开聊天机器人界面。

RAG代理回答后，还有三种功能：

详情：打开检索信息弹出窗口，显示RAG代理如何收集和使用来源（文档）、块和实体的信息。还包括所用模型的信息和令牌消耗情况。
复制：将回答内容复制到剪贴板。
文字转语音：将回答内容朗读出来。

与知识图谱对话

现在，我就可以询问上传文档的知识了（使用之前上传的数据），比如查询这家公司生产的产品列表，以及这些产品是否受到CSDDD法规的影响，如果受到影响，具体的影响是什么。

结尾

如果你想更深入地了解AI大模型知识图谱构建器，可以访问GitHub仓库，那里有丰富的信息，包括源代码和文档。

此外，你可以查看更详细的入门指南，更多知识图谱构建经验。

GitHub仓库：https://github.com/neo4j-labs/llm-graph-builder

更详细的入门指南：https://neo4j.com/labs/genai-ecosystem/llm-graph-builder/

m=1001.2014.3001.5502)

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述