ai-knowledge-graph

上传文档，AI 自动生成可视化知识图谱

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。

开源 free 开源模型

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 3083

维护状态较活跃

是否开源是

定价模式 free

项目数据

分类开源模型

开发团队robert-mcdermott

所属国家

官网地址

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

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Python

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

GitHub 星标★ 3083

30天Star增速

HF 下载量

上线时间2025-03-23 00:00:00

最近更新2026-09-23 00:00:00

维护状态较活跃

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：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`

如何确认成功

控制台最后打印 Knowledge graph visualization saved to ... 并生成 HTML 文件，浏览器打开该文件能看到可交互图谱。

常见问题

Q：可以用哪些大模型？

A：任何 OpenAI 兼容端点都可以，例如 Ollama、LM Studio、OpenAI、vLLM、LiteLLM，通过 base_url 和 api_key 指定即可。

Q：不想做实体标准化或关系推断怎么办？

A：运行命令时加上 --no-standardize 和 --no-inference 参数即可关闭，也可在 config.toml 中把对应 enabled 设为 false。

Q：只想先看看效果，没有文本文件怎么办？

A：使用 --test 参数可以基于示例数据生成一张测试可视化图，无需提供输入文件。

Q：出现抽取结果异常如何排查？

A：加上 --debug 参数运行，会输出 LLM 的原始响应和抽取出的 JSON，便于定位问题。

Q：可以用 uv 或作为模块安装吗？

A：可以。uv 方式执行 uv run generate-graph.py --input ... --output ...；模块方式先 pip install --upgrade -e . 再执行 generate-graph --input ... --output ...。

注意事项

Python 版本必须为 3.11 及以上，否则可能无法运行。
config.toml 默认在项目根目录，可用 --config 参数指定其他路径的配置文件。
长文档会分成多个块逐块调用 LLM，处理时间较长且会产生相应 API 消耗。
生成的 HTML 图谱与同名 JSON 原始数据一并输出，JSON 可用于后续处理或增量更新。

核心亮点

自动抽取实体与关系，省去手工建模时间
支持 PDF/Word/Markdown 等多格式输入
提供交互式可视化界面，图谱直观可探索

不足之处

依赖 LLM API，调用成本可能较高
文档/社区待观察

适用场景

企业知识库构建与维护
学术文献综述与关系梳理
市场研究报告结构化分析

替代项目

GraphGPT、Knowledge Graph Generator (KGG)、Text2KG

项目介绍

ai-knowledge-graph 是搜索知识领域的开源项目，由 robert-mcdermott 开发，2025 年首次发布。

在全站 13,090 个收录项目中，它的 GitHub 星标数（3,083）位列前 30%，在搜索知识分类的 585 个项目里位列前 14%。

近 42 天，它的 GitHub 星标从 2,836 增加到 3,083，净增 247。

项目保持着较活跃的维护节奏，最近一次代码更新于 2026-09-23。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：企业知识库构建与维护。同类可对比的替代方案包括 GraphGPT、Knowledge Graph Generator (KGG)、Text2KG。

上一篇：arxiv-mcp-server

下一篇：contextgem