系统展示

项目简介

本项目提出一种"结构化知识图谱 + 非结构化文档库"双检索驱动的 RAG 对话系统，核心目标是解决大模型在事实性问答中的幻觉问题。系统以知识图谱和文档库为双重外部知识源，通过 Adaptive-RAG 智能路由、Self-RAG 结果评估和 CoT 思维链推理，将精准事实证据动态注入 ChatGLM-6B，实现有依据、可追溯、高准确的智能对话。

核心特性

• 双源 RAG 检索 — 融合知识图谱结构化检索与文档库非结构化检索
• Adaptive-RAG 智能路由 — 根据问题类型自适应选择检索策略和知识源
• Self-RAG 结果评估 — 评估检索结果相关性，智能过滤低质量内容
• CoT 思维链推理 — 支持 Zero-shot / Few-shot / Self-Consistency 多种推理模式
• 引用溯源（Citations） — 确保回答中关键细节与检索来源可追溯验证
• Self-RAG 多轮检索 — RRF 融合 + Cohere 语义重排序两轮优化

系统架构

技术栈

快速开始

1. 环境准备

conda create -n KnowledgeGraph-RAG python=3.11
conda activate KnowledgeGraph-RAG
pip install -r requirements.txt

cd frontend && npm install && cd ..

2. 构建知识图谱

python main.py --project project_v1 --gpu 0
# 从检查点恢复: python main.py --project project_v1 --resume data/project_v1/history/xxx.json --gpu 0

3. 启动服务

# 后端 (默认 http://localhost:5000)
cd backend && python main.py

# 前端开发服务器 (另开终端)
cd frontend && npm run server

项目结构

KnowledgeGraph-RAG/
├── main.py                          # 主入口：知识图谱构建流程
├── config/settings.py               # 项目配置
├── backend/
│   ├── main.py                      # 后端服务入口
│   └── app/
│       ├── rag/                     # RAG 核心 (路由 → 检索 → 评估 → CoT → 引用)
│       ├── search/                  # 检索适配器 (向量库 / Wiki / 图像)
│       ├── model/chat_glm.py        # ChatGLM 调用
│       ├── nlp/ner.py               # 命名实体识别
│       └── kg/graph_utils.py        # 知识图谱工具
├── modules/                         # 知识图谱构建、模型训练
├── frontend/src/                    # Vue 3 前端
├── models/                          # 预训练模型权重
└── data/                            # 原始数据与项目迭代数据

许可证

本项目仅供学习和研究使用。