用LightRAG+智谱GLM-4开发政务知识图谱查询系统：程序员的硬核实战指南

想用国产大模型为区政府开发一款政务知识图谱查询系统？LightRAG结合智谱AI的GLM-4提供了一个高效的解决方案。本文基于一个实际项目，从代码重构到架构设计，带你用智谱GLM-4驱动政务数据处理，涵盖文本嵌入、图谱构建和多模检索的全流程。技术细节拉满，代码可跑，智谱的威力不容错过，赶紧开干！

---

一、项目背景与目标

需求

开发一款区政府政务知识图谱查询系统，支持：

1. 政策分析：提取公文主题（如“数字化转型的核心内容”）。
2. 智能问答：基于知识库回答问题。
3. 数据管理：从政务文档构建结构化知识库。

为何选智谱GLM-4？

• 国产优势：支持中文语境，预训练数据覆盖政务领域。
• 高效推理：GLM-4-flashx版本轻量，响应快，适合本地部署。
• 生态兼容：与LightRAG无缝集成，API调用简单。

---

二、技术选型与架构设计

1. 技术栈

• 模型：智谱GLM-4-flashx（轻量高效，国产大模型）。
• 框架：LightRAG（支持RAG和多存储集成）。
• 嵌入：nomic-embed-text（Ollama托管，768维）。
• 存储：PostgreSQL（含AGE扩展，用于键值、向量和图谱存储）。
• 工具：asyncio（异步处理）、dotenv（环境管理）。

2. 系统架构

[客户端：CLI/REST API]
      ↓
[LightRAG核心：GLM-4 + RAG]
      ↓
[存储层：PostgreSQL + AGE]
      ↓
[本地服务器：单机部署]

• 输入：政务文档（如policy.txt）。
• 处理：GLM-4生成答案，LightRAG实现多模检索。
• 存储：PostgreSQL统一管理数据。

---

三、代码实现与智谱集成

1. 环境配置与初始化

重构代码

import asyncio
import os
import logging
from dotenv import load_dotenv
from lightrag import LightRAG, QueryParam
from lightrag.kg.postgres_impl import PostgreSQLDB
from lightrag.utils import EmbeddingFunc

# 加载环境变量
load_dotenv()
ROOT_DIR = os.environ.get("ROOT_DIR", os.path.dirname(os.path.abspath(__file__)))
WORKING_DIR = f"{
     
     ROOT_DIR}/gov_policies"
os.makedirs(WORKING_DIR, exist_ok=True)
logging.basicConfig(format="%(levelname)s:%(message)s", level=logging.INFO)
logging.info(f"WorkingDir: {
     
     WORKING_DIR}"