WeKnora 知识图谱可视化文档关系、来源追踪与 RAG 检索路径【免费下载链接】WeKnoraOpen-source LLM knowledge platform: turn raw documents into a queryable RAG, an autonomous reasoning agent, and a self-maintaining Wiki.项目地址: https://gitcode.com/GitHub_Trending/we/WeKnoraWeKnora 是一个开源的 LLM 知识平台把原始文档传进去它会解析、分块、向量化建成可查询的 RAG 知识库同时还能生成可视化知识图谱和自维护的 Wiki。它面向的是手里文档不少、但找不到、串不起、说不清的团队和个人——搜出来的是一段段孤立的文字看不出哪些概念互相引用也看不出模型为什么这么回答。这篇文章从新手视角讲三件事如何用 WeKnora 的知识图谱可视化看清文档关系如何快速定位答案来源以及如何理解 RAG 检索流程把检索路径变成你可以检查的东西。用客服和产品团队的场景说明问题假设你接手一个产品支持工作。仓库里躺着三堆材料产品手册、FAQ 汇总、故障排查记录。有人问回家人模式怎么配置你用关键词搜命中的是三个文件里的三句话分别讲了触发条件、执行动作和保存步骤。每一句都对但它们之间的引用关系——哪份文件是准绳、哪份只是摘录——看不出来。更常见的问题是AI 给出了答案你却无法快速回到原文核对因为不知道答案出自哪个文档的哪一段。这就是需要把文档关系看明白的场景知识本身存在缺的是关系和出处。WeKnora 的文档理解把文档拆成可检索的块再用图谱把这些块背后的实体和关系画出来用引用面板把答案落回原文。在图谱里查看文档关系文档入库时WeKnora 会用大模型从文本里抽取实体和关系存进 Neo4j 图数据库再在界面里渲染成图谱。节点分摘要、实体、概念、引文、对比几类右侧面板会列出节点总数和已覆盖节点比例。点击一个节点右侧直接展示它的属性和来源文本点节点上的连线或展开可以看到它和哪些节点关联。除了界面里的图谱你也能直接查底层数据。登录 Neo4j 浏览器执行match (n) return (n)就能看到抽取出的实体节点、属性和它们关联的 chunks 字段——每个实体都带了指回原文分块的指针。收益哪些概念横跨多个文档、哪些是中心概念、哪些只是边角料一眼可见。新人理解知识体系时可以先看图谱再读文档顺序反了就容易漏关联。使用注意图谱是两级开关全局NEO4J_ENABLEtrue且知识库设置里打开实体关系抽取缺一个都不生成。抽取发生在入库时每个分块都要额外调一次大模型入库成本和时长会上升。图谱对关系密集的资料价值最大条目化、无实体的文档画出来会很稀疏。用引用面板快速定位答案来源问答页的回答不是一段孤立文本正文里带引用角标回答上方会显示检索完成引用了 N 篇文档右侧引用面板列出本轮全部检索来源包含文档名、分块标题和片段内容。点角标可以直接定位到原文分块。收益这是答案可信度的直接抓手。回答说某功能满足任一条件即触发你可以点开来源确认这句话是否真的出自文档还是模型自己拼出来的。使用注意角标显示与否可以在 Agent 配置里关掉但检索来源仍会进入引用面板——关角标不等于没有出处。来源面板里看到分块标题和文档路径时优先核对标题与内容是否匹配避免同主题不同版本的文档混排。从一个问题看懂 RAG 检索流程WeKnora 的检索路径是一条固定管线理解它之后回答不理想时你能判断问题出在哪一环文档侧数据加载 → 解析OCR、图片描述→ 分块与摘要 → 向量化 → 存入元数据和向量存储查询侧结合对话历史做查询改写 → 混合检索BM25 关键词 稠密向量图谱开启时再补一路图谱召回→ 重排序 → 交给 LLM 生成回答。收益把理解 RAG 检索流程从概念变成可对照的动作。回答偏了先看引用面板——来源里根本没有相关段落是检索问题改写、阈值、分块方式来源有但答非所问是生成问题模型、提示词。两类问题的处理方式完全不同。使用注意默认混合检索由同一个向量存储同时承担关键词和向量两类召回大多数部署不需要额外配置如果要排查具体环节官方文档 website-docs/03-features/05-retrieval-engines.md 里有逐引擎的说明检索实现代码在 internal/application/service/retriever/。从上传到出图的五步路径部署并启动 WeKnora需要图谱时一并启用 Neo4jdocker-compose.yml中有 neo4j 服务配置环境变量见 docs/KnowledgeGraph.md。在界面里创建知识库上传文档PDF、Word、网页等格式都支持上传时确认解析配置。进入知识库设置打开实体与关系抽取按提示配置抽取范围保存。等文档解析完成打开知识库的图谱页签缩放、拖拽浏览全图点击节点查看属性和来源沿连线查看关联概念——这就是如何查看文档关联的完整动作。在对话页提问展开引用面板把答案和来源分块逐条对照。前两步不依赖图谱第三步才产生图谱相关开销可以按知识库分别开关。用一个小问题验证检索路径选一个你事先知道答案的问题比如日常费用报销的提交时限是什么。然后检查三件事来源可追引用面板里是否出现了包含答案的文档和分块角标能否定位到原文。节点可溯图谱中报销相关节点的属性里是否带有指回同一分块的 chunks 指针节点的结论和原文是否一致。答案自洽回答里的每个具体表述能否在来源片段中找到依据找不到的部分按模型推断对待而不是当作文档事实。三项都通过说明这条检索路径在你的文档上工作正常有一项失败就按上一节的管线顺序往回查先检索后生成。适合哪些场景哪些情况有限比较适合关系密集的资料产品线说明、组织与人物相关的制度、互相引用的技术规范、合同条款实体之间天然有牵连。需要对外解释答案出处的团队客服、合规、售前引用面板可以直接作为核对材料。需要私有化部署、数据不出内网的场景WeKnora 支持全栈自托管。效果有限或成本更高纯事实查找的 FAQ 场景问答对结构明确时开不开图谱差别不大反而多付抽取成本。文档碎片化、实体没有明确名称大段散文、聊天记录抽取出的图谱节点稀疏可读性下降。入库量大且追求时效每个分块一次抽取调用入库时长和模型开销都会相应增加。建议与参考路径最实际的起步方式挑一份你最头疼、文档间互相引用的产品资料单独建一个知识库开启抽取用一个小问题把图谱节点—引用面板—原文分块这条链走通再决定要不要推广到全部资料。进一步阅读图谱开启与配置docs/KnowledgeGraph.md、docs/开启知识图谱功能.md图谱功能详解website-docs/03-features/09-knowledge-graph.md【免费下载链接】WeKnoraOpen-source LLM knowledge platform: turn raw documents into a queryable RAG, an autonomous reasoning agent, and a self-maintaining Wiki.项目地址: https://gitcode.com/GitHub_Trending/we/WeKnora创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 WeKnora 知识图谱可视化：文档关系、来源追踪与 RAG 检索路径
WeKnora 知识图谱可视化文档关系、来源追踪与 RAG 检索路径【免费下载链接】WeKnoraOpen-source LLM knowledge platform: turn raw documents into a queryable RAG, an autonomous reasoning agent, and a self-maintaining Wiki.项目地址: https://gitcode.com/GitHub_Trending/we/WeKnoraWeKnora 是一个开源的 LLM 知识平台把原始文档传进去它会解析、分块、向量化建成可查询的 RAG 知识库同时还能生成可视化知识图谱和自维护的 Wiki。它面向的是手里文档不少、但找不到、串不起、说不清的团队和个人——搜出来的是一段段孤立的文字看不出哪些概念互相引用也看不出模型为什么这么回答。这篇文章从新手视角讲三件事如何用 WeKnora 的知识图谱可视化看清文档关系如何快速定位答案来源以及如何理解 RAG 检索流程把检索路径变成你可以检查的东西。用客服和产品团队的场景说明问题假设你接手一个产品支持工作。仓库里躺着三堆材料产品手册、FAQ 汇总、故障排查记录。有人问回家人模式怎么配置你用关键词搜命中的是三个文件里的三句话分别讲了触发条件、执行动作和保存步骤。每一句都对但它们之间的引用关系——哪份文件是准绳、哪份只是摘录——看不出来。更常见的问题是AI 给出了答案你却无法快速回到原文核对因为不知道答案出自哪个文档的哪一段。这就是需要把文档关系看明白的场景知识本身存在缺的是关系和出处。WeKnora 的文档理解把文档拆成可检索的块再用图谱把这些块背后的实体和关系画出来用引用面板把答案落回原文。在图谱里查看文档关系文档入库时WeKnora 会用大模型从文本里抽取实体和关系存进 Neo4j 图数据库再在界面里渲染成图谱。节点分摘要、实体、概念、引文、对比几类右侧面板会列出节点总数和已覆盖节点比例。点击一个节点右侧直接展示它的属性和来源文本点节点上的连线或展开可以看到它和哪些节点关联。除了界面里的图谱你也能直接查底层数据。登录 Neo4j 浏览器执行match (n) return (n)就能看到抽取出的实体节点、属性和它们关联的 chunks 字段——每个实体都带了指回原文分块的指针。收益哪些概念横跨多个文档、哪些是中心概念、哪些只是边角料一眼可见。新人理解知识体系时可以先看图谱再读文档顺序反了就容易漏关联。使用注意图谱是两级开关全局NEO4J_ENABLEtrue且知识库设置里打开实体关系抽取缺一个都不生成。抽取发生在入库时每个分块都要额外调一次大模型入库成本和时长会上升。图谱对关系密集的资料价值最大条目化、无实体的文档画出来会很稀疏。用引用面板快速定位答案来源问答页的回答不是一段孤立文本正文里带引用角标回答上方会显示检索完成引用了 N 篇文档右侧引用面板列出本轮全部检索来源包含文档名、分块标题和片段内容。点角标可以直接定位到原文分块。收益这是答案可信度的直接抓手。回答说某功能满足任一条件即触发你可以点开来源确认这句话是否真的出自文档还是模型自己拼出来的。使用注意角标显示与否可以在 Agent 配置里关掉但检索来源仍会进入引用面板——关角标不等于没有出处。来源面板里看到分块标题和文档路径时优先核对标题与内容是否匹配避免同主题不同版本的文档混排。从一个问题看懂 RAG 检索流程WeKnora 的检索路径是一条固定管线理解它之后回答不理想时你能判断问题出在哪一环文档侧数据加载 → 解析OCR、图片描述→ 分块与摘要 → 向量化 → 存入元数据和向量存储查询侧结合对话历史做查询改写 → 混合检索BM25 关键词 稠密向量图谱开启时再补一路图谱召回→ 重排序 → 交给 LLM 生成回答。收益把理解 RAG 检索流程从概念变成可对照的动作。回答偏了先看引用面板——来源里根本没有相关段落是检索问题改写、阈值、分块方式来源有但答非所问是生成问题模型、提示词。两类问题的处理方式完全不同。使用注意默认混合检索由同一个向量存储同时承担关键词和向量两类召回大多数部署不需要额外配置如果要排查具体环节官方文档 website-docs/03-features/05-retrieval-engines.md 里有逐引擎的说明检索实现代码在 internal/application/service/retriever/。从上传到出图的五步路径部署并启动 WeKnora需要图谱时一并启用 Neo4jdocker-compose.yml中有 neo4j 服务配置环境变量见 docs/KnowledgeGraph.md。在界面里创建知识库上传文档PDF、Word、网页等格式都支持上传时确认解析配置。进入知识库设置打开实体与关系抽取按提示配置抽取范围保存。等文档解析完成打开知识库的图谱页签缩放、拖拽浏览全图点击节点查看属性和来源沿连线查看关联概念——这就是如何查看文档关联的完整动作。在对话页提问展开引用面板把答案和来源分块逐条对照。前两步不依赖图谱第三步才产生图谱相关开销可以按知识库分别开关。用一个小问题验证检索路径选一个你事先知道答案的问题比如日常费用报销的提交时限是什么。然后检查三件事来源可追引用面板里是否出现了包含答案的文档和分块角标能否定位到原文。节点可溯图谱中报销相关节点的属性里是否带有指回同一分块的 chunks 指针节点的结论和原文是否一致。答案自洽回答里的每个具体表述能否在来源片段中找到依据找不到的部分按模型推断对待而不是当作文档事实。三项都通过说明这条检索路径在你的文档上工作正常有一项失败就按上一节的管线顺序往回查先检索后生成。适合哪些场景哪些情况有限比较适合关系密集的资料产品线说明、组织与人物相关的制度、互相引用的技术规范、合同条款实体之间天然有牵连。需要对外解释答案出处的团队客服、合规、售前引用面板可以直接作为核对材料。需要私有化部署、数据不出内网的场景WeKnora 支持全栈自托管。效果有限或成本更高纯事实查找的 FAQ 场景问答对结构明确时开不开图谱差别不大反而多付抽取成本。文档碎片化、实体没有明确名称大段散文、聊天记录抽取出的图谱节点稀疏可读性下降。入库量大且追求时效每个分块一次抽取调用入库时长和模型开销都会相应增加。建议与参考路径最实际的起步方式挑一份你最头疼、文档间互相引用的产品资料单独建一个知识库开启抽取用一个小问题把图谱节点—引用面板—原文分块这条链走通再决定要不要推广到全部资料。进一步阅读图谱开启与配置docs/KnowledgeGraph.md、docs/开启知识图谱功能.md图谱功能详解website-docs/03-features/09-knowledge-graph.md【免费下载链接】WeKnoraOpen-source LLM knowledge platform: turn raw documents into a queryable RAG, an autonomous reasoning agent, and a self-maintaining Wiki.项目地址: https://gitcode.com/GitHub_Trending/we/WeKnora创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考