KG_RAG

用知识图谱给大模型装上结构化记忆，回答更准更可解释

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署搜索知识 🍴 复刻 115 🐛 待处理 7 👀 关注 15

GitHub ↗

GitHub 星标 ★ 949

维护状态低维护

是否开源开源

定价模式 🏷️完全免费开源项目，Apache-2.0许可，可免费使用和部署。

项目预览

项目数据

分类搜索知识

开发团队BaranziniLab

GitHubhttps://github.com/BaranziniLab/KG_RAG

定价模式🏷️完全免费

价格说明开源项目，Apache-2.0许可，可免费使用和部署。

访问状态🔧 仅开源项目，无在线服务，需自行部署

是否开源是

开源协议Apache-2.0

主要语言Jupyter Notebook

技术栈/模型bert-models,bioinformatics,bioinformatics-algorithms,biomedical-applications,biomedical-informatics,context-aware,gpt,gpt35turbo,gpt4,knowledge-base,knowledge-graph,large-language-models,llama,llama2,llm,prompt-engineering,prompt-tuning,rag,retrieval-augmented-generation,sentence-transformers

GitHub 星标★ 949

上线时间2023-11-11 00:00:00

代码更新2024-11-09

仓库体积10.6 MB

本站数据更新2026-11-09

维护状态低维护

收录时间2026-08-09

浏览次数2

项目介绍

KG_RAG 是一个基于知识图谱的检索增强生成（RAG）框架，旨在增强大语言模型在知识密集型任务上的表现。它通过将知识图谱的结构化知识与 LLM 的生成能力相结合，解决传统 RAG 在语义关联和复杂推理上的不足。核心能力包括：从文本中自动构建知识图谱、支持多种图谱存储（如 Neo4j）、提供图谱检索与上下文融合模块，以及支持多跳推理和可解释的答案生成。项目采用 Jupyter Notebook 为主要开发形式，便于演示和快速上手，适合研究原型验证和小规模应用。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-08-09 · 当前星标 ★ 949

技术标签

bioinformatics gpt gpt4 knowledge-base knowledge-graph

使用教程

ℹ 本教程由 AI 依据该项目 README 整理，个别步骤可能需要按你的环境微调。

难度：进阶约 40 分钟部署方式：本地 (Python) 5 步

环境要求

Python 3.10.9
可访问的知识图谱端点
LLM（GPT 或本地 Llama）

安装与启动步骤

1固定 Python 版本

源码依赖锁在 3.10.9，版本不符时依赖解析容易失败。
```
conda create -n kg_rag python=3.10.9 && conda activate kg_rag
```
2装依赖

requirements.txt 里含 SPARQL 客户端与向量库依赖。
```
pip install -r requirements.txt
```
3初始化知识图谱

先按 README 配好图数据库端点与模型端点，再跑 setup 建图与建索引。
```
python -m kg_rag.run_setup
```
4用 GPT 生成回答

模型名换成你自己可用的；加 -i 进交互模式。
```
python -m kg_rag.rag_based_generation.GPT.text_generation -g gpt-4
```
5换本地 Llama 后端

没有 OpenAI 额度时用 Llama 版，-m 选生成方法（默认 method-1）。
```
python -m kg_rag.rag_based_generation.Llama.text_generation -m method-1
```