llm-graph-builder

上传文档，一键用LLM自动生成知识图谱

llm-graph-builder 是一个利用大语言模型从非结构化数据自动构建 Neo4j 知识图谱的开源工具。它解决了传统知识图谱构建依赖人工建模和清洗的痛点，用户只需提供文本、PDF、网页等原始内容，系统即可通过 LLM 自动抽取实体、识别关系并生成图谱，同时支持人机协同的交互式编辑与验证。核心能力包括：基于 LLM 的实体关系抽取、图谱可视化预览、手动调整节点与关系、支持多种数据源导入，以及将构建结果导出为 Cypher 查询或直接存储到 Neo4j 数据库。项目采用 Jupyter Notebook 作为主要开发语言，便于数据科学家快速上手和二次开发。当前处于成长阶段，社区活跃，适合需要快速将非结构化信息转化为结构化知识的场景。

开源 free 搜索知识

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 5263

维护状态活跃

是否开源是

定价模式 free

项目数据

分类搜索知识

开发团队neo4j-labs

所属国家

官网地址https://llm-graph-builder.neo4jlabs.com

GitHubhttps://github.com/neo4j-labs/llm-graph-builder

定价模式free

价格说明开源项目，Apache-2.0 许可证，可免费使用和部署。

访问状态

是否开源是

开源协议Apache-2.0

主要语言Jupyter Notebook

技术栈/模型data-import,genai,graph,graph-rag,graph-search,graphdb,graphrag,knowledge-graph,langchain,neo4j,rag,unstructured-data,vectordb

GitHub 星标★ 5263

30天Star增速

HF 下载量

上线时间2024-01-11 00:00:00

最近更新2026-09-22 00:00:00

维护状态活跃

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数2

使用教程

难度：进阶约 30 分钟部署方式：本地安装 7 步

环境要求

Python 3.12 或更高版本（本地/独立部署后端时需要）
Neo4j 数据库 5.23 或更高版本，并安装 APOC 插件
Node.js 与 yarn（前端独立运行需要）
一个可用的 LLM API Key（Docker 部署默认启用 OpenAI 与 Diffbot）

安装与启动步骤

1准备前置环境

先安装 Python 3.12+、Node.js/yarn；准备 Neo4j 5.23+ 实例并安装 APOC。Neo4j Aura 含免费版都可用。
2克隆项目代码

把仓库拉到本地，后续所有命令都在项目根目录下执行。
```
git clone https://github.com/neo4j-labs/llm-graph-builder.git
cd llm-graph-builder
```
3配置后端环境变量

复制示例环境文件生成 backend/.env，然后填入你的 Neo4j 连接信息，可跳过登录弹窗。
```
cp backend/example.env backend/.env
```
4安装后端依赖

在 backend 目录建虚拟环境并安装 requirements.txt。Windows 激活命令为 venvScriptsctivate。
```
cd backend
python3.12 -m venv venv
source venv/bin/activate
pip install -r requirements.txt
```
5启动后端服务

在已激活虚拟环境的 backend 目录启动 uvicorn，--reload 用于开发热重载。
```
uvicorn score:app --reload
```
6配置并装前端依赖

复制前端示例环境文件生成 frontend/.env，按需修改变量后用 yarn 安装依赖。
```
cd frontend
cp frontend/example.env frontend/.env
yarn
```
7启动前端服务

在 frontend 目录运行开发服务器，终端会输出本地访问地址，浏览器打开即可。
```
cd frontend
yarn run dev
```

关键配置

配置项	必填	说明	示例
`NEO4J_URI`	是	Neo4j 数据库连接地址（Aura 或自建实例）	`neo4j+s://xxxx.databases.neo4j.io`
`NEO4J_USERNAME`	是	Neo4j 登录用户名	`neo4j`
`NEO4J_PASSWORD`	是	Neo4j 登录密码	`your-password`
`NEO4J_DATABASE`	是	要写入的 Neo4j 数据库名	`neo4j`
`OPENAI_API_KEY`	是	调用 OpenAI 模型生成图谱所需的密钥	`sk-xxxxxxxx`
`TRACK_USER_USAGE`	否	设为 true 开启按用户/库统计 Token 用量	`false`

如何确认成功

后端 uvicorn 启动无报错，前端 yarn run dev 输出本地地址，浏览器打开能看到 Neo4j 连接登录界面即成功。

常见问题

Q：为什么必须用 Neo4j 5.23 及以上？

A：后端使用了 Cypher 变量作用域子查询语法 CALL (variable) { ... }，5.20 等更早的 5.x 版本不支持该语法，会直接报错。

Q：用 Neo4j Desktop 可以跑 docker-compose 吗？

A：不支持。使用 Neo4j Desktop 时需要按文档分别部署后端和前端，不能直接用 docker-compose 一键启动。

Q：默认支持哪些 LLM 和输入源？

A：默认只启用 OpenAI 和 Diffbot（Gemini 需额外 GCP 配置）；输入源默认是 local、YouTube、Wikipedia、AWS S3 和 web。

Q：前端能切换 embedding 模型吗？

A：取决于 TRACK_USER_USAGE：设为 true 可在前端选择并保存；设为 false 时只能通过 .env 的 EMBEDDING_MODEL/EMBEDDING_PROVIDER 指定，前端不可改。

注意事项

Neo4j 必须安装 APOC 插件，否则图谱写入相关功能可能失败。
未设置 EMBEDDING_MODEL 和 EMBEDDING_PROVIDER 时，应用默认使用 Sentence Transformer 模型。
GCS 数据源默认未开启，需要额外配置 gcs 与 Google Client ID。
若不想用 Docker，可在 GCP 上用 gcloud run deploy 分别部署前后端到 Cloud Run。

核心亮点

自动抽取实体关系，省去人工建模时间
提供可视化界面，支持手动修正图谱结果
支持多种数据源（文本、PDF、网页）导入

不足之处

依赖LLM API，处理大规模数据时成本较高
文档/社区待观察

适用场景

企业内部文档知识库结构化
学术论文与研究报告的关系提取
快速搭建领域知识图谱原型

替代项目

LangChain、Haystack、txtai

项目介绍

llm-graph-builder 是基础设施领域的开源项目，由 neo4j-labs 开发，2024 年首次发布。

在全站 13,014 个收录项目中，它的 GitHub 星标数（5,263）位列前 9%，在基础设施分类的 1,130 个项目里位列前 13%。

近 41 天，它的 GitHub 星标从 5,163 增加到 5,263，净增 100。

项目目前处于活跃维护状态，最近一次代码更新于 2026-09-22。Apache-2.0 许可证，可免费使用和部署。

它主要面向的使用场景是：企业内部文档知识库结构化。同类可对比的替代方案包括 LangChain、Haystack、txtai。

上一篇：cactus

下一篇：infinity