知识图谱概念详解与应用教程

本教程系统性地讲解知识图谱（Knowledge Graph）的核心概念、在 RAG 系统中的应用价值，并通过 PyVis 可视化库构建一个完整的知识图谱管理应用。教程涵盖从基础理论到代码实践的完整路径，帮助读者理解知识图谱的构建、存储、可视化和检索方法。

前置教程

如想快速开始学习本教程，你可能需要先完成以下前置教程：

• 大语言模型LLM服务商Api服务调用教程，本教程使用智谱 GLM 系列 API 作为 LLM 服务。
• Python+FastAPI在Windows环境下创建一个基础后端服务教程，用于运行本教程的示例 FastAPI 后端代码。

资源下载

• 示例项目kb-graph源码下载地址

1. 知识图谱核心概念

1.1 什么是知识图谱

知识图谱（Knowledge Graph） 是一种用图结构来表示知识和实体间关系的技术体系。它以节点（Node）代表实体，以边（Edge）代表实体之间的关系，形成一张语义网络。

知识图谱的核心三元组结构为 （实体, 关系, 实体），例如（Python, 是一种, 编程语言）、（FastAPI, 基于, Python）。

1.2 知识图谱在 RAG 中的应用

传统 RAG 系统基于向量相似度检索文本块，缺乏对实体间关系的结构化理解。引入知识图谱可以带来以下提升：

知识图谱在 RAG 中的典型应用方式：

1. 实体链接：从用户查询中识别命名实体，链接到知识图谱中的节点。
2. 关系检索：沿实体间的关系路径检索多跳相关信息，补充纯文本检索。
3. 上下文增强：将检索到的子图结构转化为 LLM 可理解的描述文本，作为回答的上下文。
4. 答案验证：利用知识图谱中的事实关系验证 LLM 生成的回答是否正确。

1.3 主流知识图谱应用

2. PyVis 可视化库

2.1 PyVis 优劣势分析

PyVis 是一个基于 Python 的交互式网络可视化库，底层使用 vis.js 在浏览器中渲染图形。

选择 PyVis 的理由：本教程聚焦于中小规模知识图谱的可视化交互，PyVis 在易用性和功能之间取得了最佳平衡。对于需要深入图分析或大规模图可视化的场景，可考虑 NetworkX + Gephi 或 Neo4j + Bloom。

2.2 PyVis 安装与配置

# 创建并激活环境
conda create -n pyvis python=3.10
conda activate pyvis

# 安装 PyVis
pip install pyvis

# 验证安装
python -c "import pyvis; print(pyvis.__version__)"

PyVis 的核心 API 非常简单，只需要创建一个 Network 对象，然后添加节点和边即可生成交互式 HTML 页面：

from pyvis.network import Network

# 创建网络图
net = Network(height="600px", width="100%", directed=True)

# 添加节点
net.add_node(1, label="Python", title="编程语言", color="#4CAF50")
net.add_node(2, label="FastAPI", title="Web框架")
net.add_node(3, label="REST API", title="接口规范")

# 添加边（关系）
net.add_edge(1, 2, title="用于开发")
net.add_edge(2, 3, title="构建")

# 生成 HTML
net.write_html("graph.html", open_browser=False, notebook=False, local=False)

3. 示例代码实现

本章节逐步讲解示例代码的实现，构建一个完整的知识图谱管理应用，完整的代码请前往网盘下载。

3.1 项目结构

kb-graph/
    ├── config.py               # 配置文件（API Key 等）
    ├── requirements.txt        # 依赖清单
    ├── kg_core.py              # 核心模块（知识图谱数据模型、LLM 服务）
    ├── main.py                 # FastAPI 应用（CRUD API + 图谱可视化）
    └── static/
        └── index.html          # 前端界面

3.2 安装依赖

pip install -r requirements.txt

3.3 核心模块（kg_core.py）

核心模块定义了 KGNode、KGRelation、KnowledgeGraph 三个数据模型类，以及 KGLLMService（调用 GLM-4.7-flash 从文本提取实体和关系）。

核心逻辑如下：

# KGNode：节点数据模型（id / label / category / description）
# KGRelation：边数据模型（source / target / label）
# KnowledgeGraph：图谱容器，提供 add/update/delete 节点和关系的 CRUD 方法

class KGLLMService:
    """调用 GLM-4.7-flash 从文本中提取实体和关系"""
    def __init__(self, api_key, api_base, model_name):
        self.client = OpenAI(api_key=api_key, base_url=api_base)
        self.model_name = model_name

    def generate_graph_from_text(self, text):
        response = self.client.chat.completions.create(
            model=self.model_name,
            messages=[
                {"role": "system", "content": "你是一个知识图谱构建助手..."},
                {"role": "user", "content": f"请从以下文本中提取实体和关系：\n\n{text}"}
            ],
            response_format={"type": "json_object"}
        )
        return json.loads(response.choices[0].message.content)

完整代码请查看 kb-graph/kg_core.py。

3.4 FastAPI 后端服务（main.py）

FastAPI 应用提供知识图谱的 CRUD API、LLM 生成和问答接口：

from config import *
from kg_core import KnowledgeGraph, KGNode, KGRelation, KGLLMService

app = FastAPI(title="Knowledge Graph API", version="1.0.0")
kg = KnowledgeGraph()
llm_service = KGLLMService(ZHIPU_API_KEY, ZHIPU_API_BASE, LLM_MODEL_NAME)

# 图谱数据：GET /api/graph
# 节点 CRUD：POST /api/nodes, PUT/DELETE /api/nodes/{id}
# 关系 CRUD：POST /api/edges, DELETE /api/edges
# LLM 生成：POST /api/generate?text=...
# LLM 问答：POST /api/ask?question=...

完整代码请查看 kb-graph/main.py。各 API 的作用如下：

3.5 前端界面（static/index.html）

前端界面加载 vis.js CDN 库，通过 /api/graph 接口获取图谱数据后直接在前端渲染。支持节点拖拽、缩放和点击查看详情。

你可以前往 examples/kb-graph/static/index.html 查看完整的示例代码。

4. 完整运行流程

4.1 配置 API Key

在 config.py 中填写自己的智谱 API Key：

# 打开 config.py，将 your-api-key-here 替换为你的 API Key
ZHIPU_API_KEY = "your-api-key-here"

4.2 启动服务

# 进入示例代码目录
cd kb-graph/

# 启动 FastAPI 服务
python main.py

服务启动后，访问 http://localhost:8000 即可看到前端界面。

4.3 使用方式

LLM 生成图谱：在左侧文本框输入一段描述文本，点击"生成图谱"，LLM 会自动提取实体和关系并可视化展示。

此过程会持续 3-5 分钟，取决于文本长度和模型性能，当生成完成后，终端会输出长串数据，访问前端页面即可看到生成的图谱:

手动添加节点：在"添加节点"区域输入节点名称、类别和描述。

手动添加关系：在"添加关系"区域输入源节点 ID、目标节点 ID 和关系描述。

图谱可视化：图谱在右侧区域以交互式网络图展示，支持拖拽、缩放和点击查看节点详情。

知识问答：在"知识问答"区域输入问题，LLM 会基于当前知识图谱的节点和关系信息给出回答。

5. 总结

5.1 核心内容回顾

• 知识图谱：以节点和边表示实体与关系的结构化知识表示方式。
• 三元组：（实体, 关系, 实体）是知识图谱的基本信息单元。
• 知识图谱增强 RAG：通过关系路径检索和多跳推理补充纯向量检索的不足。
• PyVis：轻量级 Python 可视化库，适用于中小规模交互式图谱展示。
• LLM 辅助建图：利用大语言模型从非结构化文本中自动提取实体和关系。

5.2 常见问题与解答

问：PyVis 与 Neo4j 如何选择？

PyVis 适用于可视化展示，数据存储在内存中，适合原型和小规模应用。Neo4j 是专业图数据库，适用于大规模生产环境。本教程使用 PyVis 侧重可视化教学，生产环境可替换为 Neo4j 作为存储后端。

问：LLM 生成的实体和关系准确吗？

LLM 提取的实体和关系质量取决于输入文本的清晰度和模型能力。建议对 LLM 生成的图谱进行人工审核和修正，特别是关键业务场景下。

问：如何导出知识图谱数据？

当前实现中数据存储在服务端内存中。可以通过 GET /api/graph 接口获取 JSON 格式的完整图谱数据，可用于导出或备份。

问：知识图谱的数据如何持久化？

本教程为教学目的使用内存存储。如需持久化，可以将 KnowledgeGraph 的数据保存到 JSON 文件，或迁移到 Neo4j、PostgreSQL 等数据库。