用LightRAG+DeepSeek v3开发政务知识图谱查询系统：从代码到实战的全流程解析

作为一名程序员，如果你想基于大模型和知识图谱为区政府开发一款政务查询系统，怎么下手？LightRAG结合DeepSeek提供了一个轻量高效的解决方案，支持文本嵌入、图谱存储和混合检索。本文基于一个实际项目，从代码重构、技术选型到部署优化，带你一步步打造一个政务知识图谱查询系统。涉及DeepSeek的调用、RAG实现、Neo4j图谱构建等硬核内容，代码可跑，干货满满，快来抄作业！

---

一、项目背景与目标

需求

为区政府开发一个知识图谱查询系统，支持：

1. 政策查询：输入问题（如“谁会3D建模？”），返回相关人员或部门。
2. 知识管理：从公文、书籍中提取信息，构建结构化知识库。
3. 高效检索：支持文本+图谱混合查询，响应时间<1秒。

技术挑战

• 数据分散：公文、热线记录格式不一。
• 模型适配：DeepSeek需与本地环境无缝对接。
• 存储复杂：需融合向量、图谱和键值存储。

---

二、技术选型与架构设计

1. 技术栈

• 模型：DeepSeek-chat（API调用，预训练能力强）。
• 框架：LightRAG（轻量RAG实现，集成多存储）。
• 嵌入：shaw/dmeta-embedding-zh（Ollama托管）。
• 存储：
  • Redis：键值存储（文档状态）。
  • Neo4j：图谱存储（实体关系）。
  • Milvus：向量存储（语义检索）。
• 部署：本地服务器（117.50.173.35）。

2. 系统架构

[客户端：CLI/Web]
      ↓
[API层：FastAPI]
      ↓
[LightRAG核心：DeepSeek + RAG]
      ↓
[存储层：Redis + Neo4j + Milvus]
      ↓
[本地服务器：Docker集群]

• 输入：文本文件（如book.txt）或实时查询。
• 处理：LightRAG分块嵌入+图谱构建+混合检索。
• 输出：自然语言答案。

---

三、代码实现与优化

1. 环境配置与初始化

重构代码

import os
from lightrag import LightRAG, QueryParam
from lightrag.llm.ollama import ollama_embed
from lightrag.utils import EmbeddingFunc

# 工作目录
ROOT_DIR = os.path.dirname(os.path.abspath(__file__))
WORKING_DIR = os.path.join(ROOT_DIR, "govKG")
os.makedirs(WORKING_DIR, exist_ok=True)
print(f"WorkingDir: {
     WORKING_DIR}")

# 存储配置
os.environ["REDIS_URI"] = "redis://localhost:6379"
os.environ["NEO4J_URI"] = "bolt://117.50.173.35:7687"
os.environ