用本地LLM构建知识图谱与高级RAG：从数据到概念关系，全流程实战拆解

新年好。

我们先聊聊数据这件事。数据是一切工作的起点——这句话听起来有些老生常谈，但在AI落地场景中，它依然是最朴素的真理。无论是HR筛选简历、业务部门处理合同、电商平台分析客户评价，还是个人整理学习笔记，数据只有在被结构化、可检索之后，才能真正发挥价值。

上一篇文章中，我们完成了私有文档的预处理与文本提取分块。今天继续推进：利用本地LLM，从文本中识别、匹配概念及其语义关系，从而构建知识图谱。整个系列覆盖从数据预处理到高级RAG应用的全部流程，本篇是第四步。

考虑到企业对数据安全与隐私保护的要求，本次所有操作均在本地完成，不依赖任何云服务。整个项目以医疗数据为例，相关资料已整理完毕，可随时查阅。

人的专注力只有十分钟，咱们抓紧聊干货。

第一部分：全局性思考，真正给你“渔”

庄子说：纵横不出方圆，万变不离其宗。做知识图谱也是如此——先搞清楚要解决什么问题，目标明确了，事情就能事半功倍。

先来看一个常见的需求统计表：

有了目标，接下来就需要做好技术工程计划与资源分配。知识图谱的构建是一项综合性工程，不仅需要开发人员，还需要数据分析师、领域专家。此外，还需要一个项目中控，确保资源分配合理、各环节协同推进。

1.1 技术工程计划的制定

技术选型：选择合适的技术栈是成功的前提。包括数据存储（如 Neo4j、JanusGraph）、数据处理（如 Apache Spark、Kafka）、前端展示（如 D3.js、Sigma.js）。本文第二部分会详细说明本次项目所使用的工具。

数据源确定：根据目标确定需要整合的数据源——公开数据集、内部数据库、爬虫数据等。这一步还要评估数据质量、可用性以及相关合规要求。

架构设计：设计完整的系统架构，覆盖数据采集、处理、存储、查询和展示。确保可扩展性、稳定性和安全性。

开发计划：制定分阶段的目标、时间节点和人员分工。推荐采用迭代式开发，灵活应对变化。

1.2 资源分配策略

手上有哪些资源——人员、时间、预算、技术积累，必须做到心中有数。

团队建设：组建跨学科团队，除了技术人员，还要有领域专家支持。每个成员需要清楚自己的职责与协作方式。

时间管理：合理分配时间，确保关键里程碑按时达成。采用敏捷开发方法（Scrum、Kanban）可以提高效率。

资金投入：明确预算，重点投入到技术研发、数据获取和人才培养上。

知识共享：团队内部定期进行技术分享、工作坊、培训，持续提升整体水平。

第二部分：实现方案详解——用什么工具？怎么用？

整个项目分为四步，接下来逐一详解。

① 文本分块：将语料库切分成多个块，每个块分配一个块ID。这一步之前已经完成，尚未完成的可以回看历史内容。

工具：LangChain、LlamaIndex、Unstructured等

② 关系提取：对每个文本块，使用LLM提取概念及其语义关系，并为每个关系分配一个权重W1。同一对概念之间可以存在多个关系，每个关系作为一条边。

工具：Ollama、Zephyr、df2Graph、graph2Df等

③ 相关性计算：同一文本块中的概念，通过上下文邻近性产生关联，分配权重W2。同一对概念可能出现在多个块中。

工具：Pandas、NumPy

④ 可视化呈现：将相似的概念对分组，并对权重求和，最后连接起来。最终每个不同概念对之间只有一条边，带有权重和关系名称，形成可视化概念图，以网页形式输出。

工具：Seaborn、Pandas、NetworkX、Pyvis等

第三部分：跑一个实例——边跑边聊细节

说实话，你是不是直接跳到这里了？建议先回看前面的“心法”，磨刀不误砍柴工。

今天主要完成数据处理和关系提取，下一篇再完成连线与可视化。现在开始动手！

主要分为两块内容：
#A 创建AI实操环境：Miniconda + Jupyter Notebook
#B 实跑知识图谱，输出HTML网页文件

3.1 创建实操AI环境

首先在Ollama中部署一个Zephyr大模型，也可以替换为其他LLM。尚未学习部署的，可以查看之前的部署指南。

打开WSL，输入指令回车启动。如果是首次部署，会自动下载模型，占用显存约6GB。

ollama run zephyr

先将窗口挂在后台，后续代码会接入它。LLM的作用是根据文本块生成概念关系，效果如下图所示：

打开Miniconda，创建一个新环境，在该环境中完成数据处理与概念图生成。尚未搭建环境的，请参考之前的环境搭建指南。

创建新环境，在Miniconda的命令窗口中输入：

conda create --name kg python=3.10

环境名称为“kg”，指定Python 3.10。务必重新创建环境，不要沿用旧环境，养成良好习惯。

激活环境：

conda activate kg

安装依赖：

pip install pandas numpy networkx seaborn langchain pypdf2 pyvis tqdm yachalk unstructured "unstructured[pdf]"

安装Jupyter：

pip install jupyter

启动Jupyter：

jupyter-notebook

处理下载的文件

将会员盘中的文件下载后，放到一个纯英文路径下，使用cd进入该路径，然后双击打开名为“yiyiai-kg”的notebook。

简单介绍一下Jupyter的使用方法：右上角圆圈表示运行内核，如果是空白状态，重新进入即可。运行过程中圆圈会变灰色。选中代码块后，按Ctrl+Enter即可运行，也可以点击上方的三角形按钮。按顺序依次运行即可。每个模块的核心操作都已标注清楚，仔细阅读就能理解。

至此，环境就创建完成了。

3.2 实跑知识图谱，输出HTML网页文件

一边运行一边讲解核心代码。

设置默认输入与输出目录

数据统一存放在“F:/data/03”路径下，直接使用绝对路径即可。输出目录在同一文件夹内，系统会自动创建“output”文件夹。

## 定义输入数据的路径
data_dir = "F:/data/03"
inputdirectory = Path(f"./data_input/{data_dir}")
## 定义数据输出路径
out_dir = data_dir
outputdirectory = Path(f"./data_output/{out_dir}")

加载数据与拆分文本块

使用PDF加载器，并结合LangChain的递归拆分方法，将文件夹下所有PDF拆分为文本块。每个块大小设为1500，重叠部分为150。

loader = PyPDFDirectoryLoader(r"F:/data/03")
documents = loader.load()

splitter = RecursiveCharacterTextSplitter(
chunk_size=1500,
chunk_overlap=150,
length_function=len,
is_separator_regex=False,
)

pages = splitter.split_documents(documents)
print("Number of chunks = ", len(pages))
print(pages[3].page_content)

运行后返回拆分总数。示例中拆出了8个块，数据量越多，块数越多，处理时间也会相应增加。

创建数据框，分配块ID

from helpers.df_helpers import documents2Dataframe
df = documents2Dataframe(pages)
print(df.shape)
df.head()

传给LLM，提取主体关系

将8个文本块保存为“chunks.csv”，传给LLM处理后返回“graph.csv”。

if regenerate:
concepts_list = df2Graph(df, model='zephyr:latest')
dfg1 = graph2Df(concepts_list)
if not os.path.exists(outputdirectory):
os.makedirs(outputdirectory)
dfg1.to_csv(outputdirectory/"graph.csv", sep="|", index=False)
df.to_csv(outputdirectory/"chunks.csv", sep="|", index=False)
else:
dfg1 = pd.read_csv(outputdirectory/"graph.csv", sep="|")

dfg1.replace("", np.nan, inplace=True)
dfg1.dropna(subset=["node_1", "node_2", 'edge'], inplace=True)
dfg1['count'] = 4
print(dfg1.shape)
dfg1.head()

提示词文件用于告诉LLM如何提取以及返回什么格式。如果效果不理想，可以修改提示词，或者更换模型。

计算相似度并合并数据框

同一份数据中可能包含含义相近的关系，需要先计算相似度再合并，才能准确呈现关系。

dfg = pd.concat([dfg1, dfg2], axis=0)
dfg = (dfg.groupby(["node_1", "node_2"]).agg({"chunk_id": ",".join, "edge": ','.join, 'count': 'sum'}).reset_index())
dfg

关键内容到这里就完成了。但知识图谱最重要的还是可视化——“图”本身至关重要。下一篇，我们会将这些数据转换为HTML格式，可视化为交互式网络图，并可以部署到公司内网，供所有员工使用。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：0基础实战本地大模型LangChain知识图谱节点识别匹配要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题