企业官网建设流程全解析

knowledge-graph-llms 代码实现解析：从文本到知识图谱的完整流水线拆解

【免费下载链接】knowledge-graph-llmsIn this project, I explored how to extract knowledge graphs from text using LLMs, such as OpenAI GPT4o.项目地址: https://gitcode.com/gh_mirrors/kn/knowledge-graph-llms

用 GPT-4o 把任意一段文本变成可视化知识图谱，总共分几步？knowledge-graph-llms 项目给出了答案：它基于 LLM + LangChain + PyVis + Streamlit 搭建了一条完整的知识图谱构建流水线，只需输入文本，就能自动抽取实体与关系，并生成可拖拽、可筛选的交互式知识图谱。本文将从代码实现层面，一步步拆解这条"文本 → 知识图谱"流水线的每个环节，帮助新手彻底看懂它的工作原理。

一、knowledge-graph-llms 是什么？项目全景速览 🚀

knowledge-graph-llms 是一个轻量级的开源实验项目，核心目标只有一个：用大语言模型从纯文本中自动提取知识图谱数据。它的整体架构非常清晰，由 4 个核心模块组成：

整个项目只有三个核心代码文件：界面入口app.py、核心逻辑generate_knowledge_graph.py，以及用于实验探索的knowledge_graph.ipynb。麻雀虽小，五脏俱全，非常适合作为 LLM 知识图谱入门的参考模板。

二、完整流水线拆解：文本如何一步步变成知识图谱 🔍

在深入代码之前，先建立全局视角。从输入一段文本到最终看到交互式知识图谱，整个流水线共经历 6 个环节：

输入文本 → 封装为 Document → GPT-4o 抽取实体与关系 → 生成 GraphDocument → PyVis 构建网络图 → Streamlit 展示

其中，前三个环节由generate_knowledge_graph.py中的generate_knowledge_graph(text)函数统一调度：先通过asyncio.run()执行异步抽取，再把结果交给可视化函数渲染。下面我们按环节逐一拆解。

三、环境准备：最快 3 步完成依赖安装与密钥配置 🛠️

在运行代码之前，需要先准备好运行环境。这个项目的依赖非常精简，全部集中在requirements.txt中，主要包括：

• langchain / langchain-experimental：核心 LLM 框架与实验性图转换器
• langchain-openai：OpenAI 模型接入
• pyvis：交互式图谱可视化
• streamlit：Web 界面框架
• python-dotenv：环境变量管理

一键安装全部依赖

pip install -r requirements.txt

配置 OpenAI API Key

项目通过.env文件管理密钥。在项目根目录创建.env文件，写入你的 OpenAI API Key 即可：

OPENAI_API_KEY=你的密钥

代码中通过load_dotenv()自动加载（见generate_knowledge_graph.py第 6-14 行），随后用os.getenv("OPENAI_API_KEY")读取，无需手动传参。

四、核心抽取引擎解析：LLMGraphTransformer 如何实现实体关系抽取 ⚙️

这是整个项目最精华的部分。知识图谱构建的关键在于实体识别和关系抽取，而 project 巧妙地把这两件事全部交给了 LLM 完成。

GPT-4o 的调用配置

首先创建 LLM 实例，代码中有一个非常值得注意的细节：

llm = ChatOpenAI(temperature=0, model_name="gpt-4o")

temperature=0意味着让模型保持确定性输出，避免每次运行抽取结果随机波动，这对知识图谱构建这类需要稳定结果的任务至关重要。

异步抽取函数 extract_graph_data 的实现思路

接下来是抽取环节，代码将文本封装成 LangChain 的Document对象，再交给LLMGraphTransformer的异步方法处理：

documents = [Document(page_content=text)] graph_documents = await graph_transformer.aconvert_to_graph_documents(documents)

LLMGraphTransformer是 LangChain 实验性模块提供的"文本→图"转换器，它会自动引导模型完成两件事：抽取实体（Nodes）并为其分类（如 Person、Organization、Concept、Event 等类型），以及识别实体之间的语义关系（Relationships）并标注关系类型（如 DEVELOPED、MOVED_TO、WORKED_AT 等）。

以项目 notebook 中的爱因斯坦文本为例，GPT-4o 能从一段人物传记中抽取 35 个节点和 32 条关系——从"Albert Einstein → DEVELOPED → Theory Of Relativity"到"Albert Einstein → RECEIVED → 1921 Nobel Prize In Physics"，实体与关系覆盖人物、地点、组织、奖项、概念、事件等多种类型，效果相当惊艳。

五、可视化模块拆解：PyVis 让知识图谱"活"起来 🎨

抽取完成后的GraphDocument只是结构化数据，要想直观展示，还需要可视化的加持。项目选用 PyVis（vis.js 的 Python 接口）来完成这一步。

节点与边的构建逻辑

在visualize_graph函数中，有几个值得学习的工程细节：

1. 建立节点索引：先把所有节点放进字典node_dict，便于快速查找；
2. 过滤非法边：只保留源节点和目标节点都真实存在的边，防止出现"悬空连接"；
3. 按类型着色：通过group=node.type让同类型节点显示同一颜色，视觉上层次分明；
4. 容错处理：添加节点和边时使用 try/except 跳过异常数据，保证单个脏数据不会拖垮整个渲染流程。

forceAtlas2Based 物理布局

为了让图谱看起来更美观、更易读，代码为 PyVis 配置了forceAtlas2Based物理引擎：通过调整引力常数、弹簧长度等参数，让节点自动散开、关联紧密的节点相互靠近，形成符合直觉的力导向布局。最终图谱会保存为独立的knowledge_graph.html文件，用户可以在浏览器中自由拖拽节点、滚动缩放、悬停查看详情，还能使用筛选菜单过滤指定节点。

六、Streamlit 交互界面解析：两种输入方式一次讲透 💻

项目的用户界面由app.py实现，代码逻辑非常简洁。它通过侧边栏的单选组件提供了两种输入方式。

方式一：上传 .txt 文件

用户选择 "Upload txt" 后，界面出现文件上传组件，代码将上传的文件读取并解码为 UTF-8 文本：

text = uploaded_file.read().decode("utf-8")

方式二：直接输入文本

用户也可以选择 "Input text"，在文本框中直接粘贴任意内容（例如新闻、论文摘要、人物介绍），无需创建文件。

无论哪种方式，点击"Generate Knowledge Graph"按钮后，都会进入统一的处理流程：调用generate_knowledge_graph(text)生成图谱 → 保存为 HTML 文件 → 通过components.html()内嵌到 Streamlit 页面中展示。整个交互只有几十行代码，却构成了一个完整的"输入—处理—展示"闭环，非常适合初学者模仿学习。

七、进阶玩法：限定节点类型与关系类型，让抽取更精准 🎯

如果觉得默认抽取"太自由"，项目在knowledge_graph.ipynb中还演示了两种精准控制技巧：

• 限定节点类型：通过allowed_nodes参数，只抽取 Person、Organization、Location、Award 等指定类型的实体，过滤掉无关概念；
• 限定关系类型：通过allowed_relationships参数指定关系三元组模板，例如只保留("Person", "WORKS_AT", "Organization")这类关系，让抽取结果严格符合业务需求。

这两个参数是LLMGraphTransformer内置的能力，适合在特定领域（如人物履历分析、公司关系网）中控制知识图谱的精度。

八、快速上手指南：从零跑通整个项目 🚀

想亲自体验这条知识图谱构建流水线？按下面的步骤操作即可：

1. 克隆项目：

git clone https://gitcode.com/gh_mirrors/kn/knowledge-graph-llms

2. 安装依赖：执行pip install -r requirements.txt
3. 配置密钥：创建.env文件并填入OPENAI_API_KEY
4. 启动应用：

streamlit run app.py

启动后浏览器会自动打开 Streamlit 界面（默认地址 http://localhost:8501），粘贴一段文本并点击生成按钮，稍等片刻就能看到属于你的知识图谱了。

结语 📝

knowledge-graph-llms 虽然代码量不大，却完整覆盖了"文本 → LLM 抽取 → 图谱可视化 → 交互展示"的全链路，是学习 LLM 知识图谱构建的绝佳样板。它的核心启发在于：借助大模型的理解能力，知识图谱构建不再依赖繁琐的规则编写，只需几行代码即可完成。如果你正在探索如何用 LLM 从非结构化文本中挖掘结构化知识，这个项目值得仔细研读。

【免费下载链接】knowledge-graph-llmsIn this project, I explored how to extract knowledge graphs from text using LLMs, such as OpenAI GPT4o.项目地址: https://gitcode.com/gh_mirrors/kn/knowledge-graph-llms