robert-mcdermott/ai-knowledge-graph

解決的問題

本專案自動化將非結構化文字文件轉換為結構化、可互動知識圖譜的流程。它消除了手動識別文字中實體及其關係的勞力，讓使用者能視覺化複雜的連結，並使用 LLM 來查詢產生的資料。

作法

此系統遵循多階段流程：

1. 提取：將輸入文字（PDF、DOCX、Markdown 等）分割成片段，並使用 LLM 提取主語-謂語-賓語（SPO）三元組，包含實體類型（例如：人物、組織、技術）。
2. 標準化：使用決定性規則與可選的 LLM 作業，合併相同實體的不同變體（例如：大小寫或複數形式）。
3. 推論：使用基於 LLM 的橋接與中心節點擴充，以及分類規則，連結圖譜中孤立的部分，並加入知名關係。
4. 視覺化與查詢：產生一個自包含的 HTML 檔案，供互動式探索。使用者也可使用 graph-chat 命令或本地 Web 伺服器（graph-serve）提問，答案僅基於圖譜中儲存的事實生成。

適用對象

• 需要對大量文件中的複雜關係進行繪製的研究人員與分析師。
• 希望以視覺化、可追蹤方式探索從文字中提取知識的使用者。
• 尋找工具將非結構化文字轉換為 JSON、CSV、GraphML 或 Neo4j 用 Cypher 格式的開發者。

特色

• 廣泛的輸入支援：支援 .txt、.md、.rst、.pdf 和 .docx 檔案，適用於任何語言。
• 可追蹤的答案：聊天功能提供有根據的回應，並附上原始來源句子或所用推論方法的引用。
• 彈性的 LLM 整合：支援任何 OpenAI 相容端點，包含本地選項如 Ollama 和 LM Studio。
• 互動式探索器：產生包含搜尋、社群檢測與最短路徑查找功能的獨立 HTML 檔案。