ai-knowledge-graph

上传文档，AI 自动生成可视化知识图谱

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署开源模型 🍴 复刻 420 🐛 待处理 8 👀 关注 25

GitHub ↗

GitHub 星标 ★ 3136

维护状态维护中

是否开源开源

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

项目预览

ai-knowledge-graph 项目界面预览图 — 图片来源：GitHub 官方仓库名片

项目数据

分类开源模型

开发团队robert-mcdermott

GitHubhttps://github.com/robert-mcdermott/ai-knowledge-graph

定价模式🏷️完全免费

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🔧 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Python

技术栈/模型artificial-intelligence,knowledge-distillation,knowledge-graph,llm,networkx,pyvis,visualization

GitHub 星标★ 3136

上线时间2025-03-23 00:00:00

代码更新2026-09-13

仓库体积3.1 MB

本站数据更新2026-11-09

维护状态维护中

收录时间2026-08-09

浏览次数3

项目介绍

ai-knowledge-graph 是一个基于大语言模型自动生成知识图谱的开源工具。它解决的是从非结构化文本中手工构建知识图谱耗时费力的问题，利用 AI 自动抽取实体、关系并生成可视化图谱。核心能力包括：支持多种文档格式输入（如 PDF、Word、Markdown），通过 LLM 进行实体识别和关系抽取，提供交互式图谱可视化界面，支持图谱导出和增量更新。项目采用 Python 编写，易于集成到现有数据管道中。它适合需要快速从文档中提取结构化知识的场景，如企业知识管理、研究报告分析、学术文献梳理等。

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 ★ 3136

技术标签

artificial-intelligence knowledge-distillation knowledge-graph llm visualization

使用教程

难度：入门约 10 分钟部署方式：命令行工具 5 步

环境要求

Python 3.11 或更高版本
pip（安装 requirements.txt）或 uv 包管理器
一个 OpenAI 兼容的 LLM API 端点（Ollama、LM Studio、OpenAI、vLLM、LiteLLM 等任选其一）

安装与启动步骤

1克隆仓库

把项目代码下载到本地并进入项目目录，后续所有命令都在该目录下执行。
```
git clone https://github.com/robert-mcdermott/ai-knowledge-graph.git
cd ai-knowledge-graph
```
2安装依赖

README 提供两种方式：pip 安装 requirements.txt，或使用 uv 同步依赖，二者选一即可。
```
pip install -r requirements.txt
```
3配置 config.toml

编辑项目根目录的 config.toml，填写模型名、api_key 和 base_url，指向你的 OpenAI 兼容接口。
4生成知识图谱

把待处理文本换成你的文件路径，运行脚本后会依次执行抽取、实体标准化和关系推断。
```
python generate-graph.py --input your_text_file.txt --output knowledge_graph.html
```
5打开可视化结果

运行结束会在 --output 指定位置生成 HTML 文件，用浏览器打开即可查看交互式知识图谱。

关键配置

配置项	必填	说明	示例
`llm.model`	是	使用的模型名称，需与所连端点提供的模型一致	`gemma3`
`llm.api_key`	是	调用 LLM 的密钥，本地 Ollama 也需填占位值	`sk-1234`
`llm.base_url`	是	OpenAI 兼容接口地址，可指向本地或云端服务	`http://localhost:11434/v1/chat/completions`
`llm.max_tokens`	否	单次请求最大输出 token 数	`8192`
`chunking.chunk_size`	否	文本分块大小，按词数计算	`200`
`chunking.overlap`	否	相邻分块之间的重叠词数，用于保持上下文	`20`