一、这是什么工具

AI Knowledge Graph 是一个 AI 驱动的知识图谱生成器，由开发者 robert-mcdermott 创建，Apache-2.0 协议，GitHub 2,847 星。

它的核心思路很直接：把任意非结构化文本文档喂给它，自动提取实体和关系，生成一幅可交互的知识图谱。整个过程不需要写代码，只需要一个文本文件 + 一个配置文件。

项目地址

github.com/robert-mcdermott/ai-knowledge-graph · Apache-2.0 · Python 3.11+

二、核心能力

1文本分块

自动将大文档拆分为可管理的片段（可配置 chunk_size 和 overlap），避免单次请求过长导致 LLM 输出质量下降。

2知识提取

使用 LLM 识别文本中的实体及其关系，以 Subject-Predicate-Object（SPO）三元组 形式结构化存储。

3实体标准化

可选开启 LLM 实体对齐，确保同一实体在不同文本片段中出现时命名一致（如"OpenAI"和"openai"合并）。

4关系推理

发现图中不相连部分之间的隐藏关系，支持传递推理和词法相似度推理，补全知识图谱的"隐形连接"。

5多后端兼容

支持 Ollama、LM Studio、OpenAI、vLLM、LiteLLM 等任意 OpenAI 兼容 API，可本地部署也可用云端模型。

三、处理流程四阶段

整个管道分为四个阶段，逐步将纯文本转化为交互式图谱：

阶段功能关键操作
一：三元组提取文本分块 → LLM 提取按 chunk_size 拆分，逐块请求 LLM 输出 SPO 三元组 JSON
二：实体标准化文本规范化 → LLM 对齐可选步骤，合并同义实体，统一命名
三：关系推理社区检测 → 推理 → 去重识别不相连社区，跨社区推理新关系，传递闭包，词法相似度补全
四：可视化中心性计算 → 社区着色 → 渲染NetworkX 计算度/介数/特征向量中心性，Louvain 社区检测，PyVis 生成交互式 HTML

四、安装与使用

环境要求：Python 3.11+，推荐使用 uv 管理依赖。

方式一：直接运行（推荐）

# 1. 克隆仓库
git clone https://github.com/robert-mcdermott/ai-knowledge-graph
cd ai-knowledge-graph

# 2. 安装依赖
uv sync
# 或: pip install -r requirements.txt

# 3. 编辑 config.toml，配置 LLM 后端

# 4. 运行
uv run generate-graph.py --input your_document.txt --output knowledge_graph.html

方式二：作为模块安装

# 安装为系统模块
pip install --upgrade -e .

# 之后可直接调用 generate-graph 命令
generate-graph --input your_document.txt --output knowledge_graph.html

命令行参数

参数说明默认值
--input FILE输入文本文件路径（必需）—
--output FILE输出 HTML 文件路径knowledge_graph.html
--config FILE配置文件路径config.toml
--debug启用调试输出（显示原始 LLM 响应）关闭
--no-standardize跳过实体标准化步骤启用
--no-inference跳过关系推理步骤启用
--test使用测试数据生成示例可视化关闭

快速测试

运行 uv run generate-graph.py --test 即可在不写任何配置的情况下看到示例图谱输出，适合验证环境是否正常工作。

五、配置详解

核心配置文件是根目录的 config.toml，以下是完整示例：

# LLM 配置
[llm]
model = "gemma3"
api_key = "sk-1234"
base_url = "http://localhost:11434/v1/chat/completions"
max_tokens = 8192
temperature = 0.2

# 文本分块
[chunking]
chunk_size = 200     # 每块单词数
overlap = 20         # 块间重叠单词数

# 实体标准化
[standardization]
enabled = true
use_llm_for_entities = true

# 关系推理
[inference]
enabled = true
use_llm_for_inference = true
apply_transitive = true

建议：第一次使用先用 Ollama 本地模型（免费、隐私），确认效果后再切换到云端 API。

六、可视化特性

输出是一个自包含的 HTML 文件，在浏览器中直接打开即可交互：

  • 社区着色：节点按 Louvain 社区检测结果着色，同色节点天然聚为一类。
  • 节点大小：由度中心性、介数中心性、特征向量中心性综合决定，重要实体节点更大。
  • 关系线型：原始提取的关系用实线，推理补全的关系用虚线，一眼区分知识来源。
  • 交互操作：支持缩放、平移、悬停查看详情、过滤节点、控制物理模拟。
  • 双主题：默认浅色主题，也支持深色模式切换。

输出的 HTML 是单文件、离线可用，适合存入个人知识库或分享给团队成员查看。

七、适用场景

场景输入输出价值
📚 个人知识管理读书笔记、笔记文档将碎片化笔记转化为结构化知识图谱，一目了然
🏢 企业知识库产品文档、技术手册快速梳理产品功能关系，辅助新人 onboarding
🔬 学术研究论文、文献综述提取研究实体和关系，发现研究空白
🎮 游戏/世界观设定小说、设定文档角色、地点、事件关系可视化
🛠️ 代码项目分析README、API 文档模块依赖关系图谱，理解项目架构

八、总结

AI Knowledge Graph 是一个把"读文档"变成"看图谱"的实用工具。它的价值不在于算法有多前沿，而在于把一整套流程（分块→提取→标准化→推理→可视化）封装成了几行命令，让普通人也能快速上手。

  • 优点：Apache-2.0 开源、支持本地 Ollama（零 API 成本）、输出单文件 HTML 离线可用、流程四阶段完整可控。
  • 注意点：依赖 LLM 调用，大文档可能较慢；实体标准化和关系推理需要开启才能发挥最大效果，建议先用 --test 验证环境。

适合一人公司的知识管理需求——把散落的笔记、文档、研究资料一次性变成可浏览的知识网络。

AI知识图谱 知识管理 Ollama 开源工具 Apache-2.0 Python LLM NetworkX PyVis
返回技艺录