2026年一套开箱即用的RAG+知识图谱问答系统：含前后端代码、Neo4j图谱集成、多模型适配与完整部署方案

大家好，我是讯享网，很高兴认识大家。这里提供最前沿的Ai技术和互联网信息。

语析（基于大模型的知识图谱问答平台）

Vue.js FastAPI

> [!NOTE] > 当前项目还处于开发的早期，还存在一些 BUG，有问题随时提 issue。

概述

基于大模型 RAG 知识库与知识图谱的问答平台。Llamaindex + VueJS + Flask + Neo4j。大模型适配 OpenAI、国内主流大模型平台的模型调用、本地 vllm 部署。只需要配置对应服务平台的 API_KEY 即可使用。

main

快速上手

在启动之前，提供 API 服务商的 API_KEY，并放置在 src/.env 文件中。默认使用的是智谱AI。因此务必需要配置 ZHIPUAI_API_KEY=。其余模型的配置可以参考 src/config/models.yaml 中的 env。

ZHIPUAI_API_KEY=270ea8bfa97.e3XOMdQ1Sk OPENAI_API_KEY=sk-*[可选]

本项目的基础对话服务可以在不含显卡的设备上运行，大模型使用在线服务商的接口。但是如果想要完整的知识库对话体验，则需要 8G 以上的显存。因为需要本地运行 embedding 模型和 rerank 模型。

提醒：下面的脚本会启动开发版本，源代码的修改会自动更新（含前端和后端）。如果生产环境部署，请使用 docker/docker-compose.yml 启动。

docker-compose -f docker/docker-compose.dev.yml up --build

*也可以加上 -d 参数，后台运行。

下面的这些容器都会启动：

[+] Running 7/7 ✔ Network docker_app-network Created ✔ Container graph-dev Started ✔ Container milvus-etcd-dev Started ✔ Container milvus-minio-dev Started ✔ Container milvus-standalone-dev Started ✔ Container api-dev Started ✔ Container web-dev Started

然后打开 http://localhost:5173/ 就可以看到结果了。

预览

关闭 docker 服务：

docker-compose -f docker/docker-compose.dev.yml down

查看日志：

docker logs 
  
    
    
      # 例如：docker logs api-dev

如果需要使用到本地模型（不推荐手动指定），比如向量模型或者重排序模型，则需要将环境变量中设置的 MODEL_ROOT_DIR 做映射，比如本地模型都是存放在 /hdd/models 里面，则需要在 docker-compose.yml 和 docker-compose.dev.yml 中添加：

services: api: build: context: .. dockerfile: docker/api.Dockerfile container_name: api-dev working_dir: /app volumes: - ../src:/app/src - ../saves:/app/saves - /hdd/zwj/models:/hdd/zwj/models # <== 修改这一行

生产环境部署：本项目同时支持使用 Docker 部署生产环境，只需要更换 docker-compose 文件就可以了。

docker-compose -f docker/docker-compose.yml up --build

模型支持

1. 对话模型支持

模型仅支持通过API调用的模型，如果是需要运行本地模型，则建议使用 vllm 转成 API 服务之后使用。使用前请在 .env 配置 APIKEY 后使用，配置项目参考：src/config/models.yaml

模型供应商	默认模型	配置项目
`openai`	`gpt-4o`	`OPENAI_API_KEY`
`qianfan`（百度）	`ernie_speed`	`QIANFAN_ACCESS_KEY`, `QIANFAN_SECRET_KEY`
`zhipu`(默认)	`glm-4-flash` (免费)	`ZHIPUAI_API_KEY`
`dashscope`（阿里）	`qwen-max-latest`	`DASHSCOPE_API_KEY`
`deepseek`	`deepseek-chat`	`DEEPSEEK_API_KEY`
`siliconflow`	`meta-llama/Meta-Llama-3.1-8B-Instruct`	`SILICONFLOW_API_KEY`

同样支持以 OpenAI 的兼容模型运行模型，可以直接在 Web 设置里面添加。比如使用 vllm 和 Ollama 运行本地模型时。

2. 向量模型支持

建议直接使用智谱 AI 的 embedding-3，这样不需要做任何修改，且资费不贵。

> [!Warning] > 需要注意，由于知识库和图数据库的构建都依赖于向量模型，如果中途更改向量模型，会导致知识库不可用。此外，知识图谱的向量索引的建立默认使用 embedding-3 构建，因此检索的时候必须使用 embedding-3（现阶段还不支持修改）

模型名称(`config.embed_model`)	默认路径/模型	需要配置项目（`config.model_local_paths`）
`bge-large-zh-v1.5`	`BAAI/bge-large-zh-v1.5`	`bge-large-zh-v1.5`
`zhipu`	`embedding-2`, `embedding-3`	`ZHIPUAI_API_KEY` (`.env`)

3. 重排序模型支持

目前仅支持 BAAI/bge-reranker-v2-m3。

4. 本地模型支持

对于语言模型，并不支持直接运行本地语言模型，请使用 vllm 或者 ollama 转成 API 服务之后使用。

对于向量模型和重排序模型，可以不做修改会自动下载模型，如果下载过程中出现问题，请参考 HF-Mirror 配置相关内容。如果想要使用本地已经下载好的模型（不建议），可以在 saves/config/config.yaml 配置相关内容。同时注意要在 docker 中做映射，参考 README 中的 docker/docker-compose.yml。

例如：

model_local_paths: bge-large-zh-v1.5: /models/bge-large-zh-v1.5

知识库支持

本项目支持多种格式的知识库，目前支持的格式有：pdf、txt、md。文件上传后，会首先转换为纯文本，然后使用向量模型将文本转换为向量，然后存储到向量数据库中。这个过程可能会花费不少时间。

知识图谱支持

> [!NOTE] > 现阶段项目所使用的 OneKE 自动创建知识图谱的效果并不是很好，暂时移除了，建议在项目外创建知识图谱

本项目支持 Neo4j 作为知识图谱的存储。需要将图谱整理成 jsonl 的格式，每一行都是 {"h": "北京", "t": "中国", "r": "首都"} 这样的格式，然后在网页的图谱管理里面添加这个文件。

项目启动后会自动启动 neo4j 服务，可以直接使用 http://localhost:7474/ 去访问和管理图数据库，初始默认的账户密码是 neo4j 和 0。可以在 docker/docker-compose.yml 和 dockerdocker-compose.dev.yml 中修改（注：api.environment 和 graph.environment 都需要修改）。

目前项目中暂不支持同时查询多个知识图谱，短期内也没有计划支持。不过倒是可以通过配置不同的 NEO4J_URI 服务来切换知识图谱。如果已经有了基于 neo4j 的知识图谱，可以将 docker-compose.yml 中的 graph 配置项删除，并将 api.environment 中的 NEO4J_URI 配置项修改为 neo4j 的服务地址。

更新日志

2024.10.12 后端修改为 FastAPI，并添加了 [Milvus-Standalone](https://github.co