Yuxi-Know：一站式智能知识库与知识图谱问答系统开发平台 - 今日头条.md11.2 KBit/ai/Yuxi-Know：一站式智能知识库与知识图谱问答系统开发平台 - 今日头条.md
---
title: "Yuxi-Know：一站式智能知识库与知识图谱问答系统开发平台 - 今日头条"
source_url: "https://www.toutiao.com/article/7596017606469960230/?wid=1782276338602"
source_site: "www.toutiao.com"
clipped_at: "2026-06-24T04:45:55.041809+00:00"
clipper: "aiwiki-url-ingest"
extractor: "toutiao_rendered"
---
# Yuxi-Know：一站式智能知识库与知识图谱问答系统开发平台 - 今日头条
在人工智能技术飞速发展的今天，大模型的应用已渗透到各个领域，而检索增强生成（RAG）与知识图谱技术的融合，正成为解决精准问答、知识管理的核心方案。无论是企业搭建内部知识库、开发者构建智能问答应用，还是科研人员整理学术资料，**都需要一个功能全面、易于部署且支持二次开发的工具。传统的知识库系统往往存在格式兼容有限、模型适配单一、知识关联薄弱等问题，难以满足多样化的智能交互需求。**
Yuxi\-Know（语析）的出现填补了这一领域的空白。作为一款基于大模型的开源知识库与知识图谱问答系统，**它整合了 RAG 技术与知识图谱优势，支持多模型适配、多格式文档解析、智能检索等核心功能，无需复杂的技术积累即可快速搭建专属智能问答平台**。该项目的开源特性不仅降低了智能知识库的构建门槛，更通过社区协作持续迭代优化，为开发者、企业和科研机构提供了高效、灵活的知识管理解决方案，推动了 AI 技术在实际场景中的落地应用。
# 简介
**Yuxi\-Know 是一款开源的智能知识库与知识图谱问答系统**，项目托管于 Github（
https://github.com/xerrors/Yuxi\-Know，）采用 MIT 开源协议。**Yuxi\-Know 的核心用途是构建智能问答系统和知识管理平台**，技术栈上是基于 LangGraph \+ Vue.js \+ FastAPI \+ LightRAG 搭建的架构，形成了完整的技术闭环，为二次开发提供了灵活的扩展能力。
该项目的核心优势体现在多个方面：**多模型支持是其一大亮点，适配 OpenAI、智谱清言、阿里 DashScope、豆包方舟等主流平台模型**，同时支持本地 vllm、ollama 部署的模型，只需配置对应 API\_KEY 即可切换使用；**知识库功能灵活强大，支持 PDF、TXT、Markdown、Docx 等多种格式文档上传**，还可通过 URL 添加文件或启用联网搜索，获取最新信息辅助回答；**知识图谱集成 Neo4j 图数据库，支持知识图谱的导入、可视化和图查询**，能建立实体间的关联关系，提升问答的精准性；此外，项目还具备完善的权限管理功能，分为超级管理员、管理员、普通用户三级角色，内置内容审查机制，保障服务合规性，同时支持智能体拓展，允许开发者编写自定义智能体代码，满足个性化需求。
**Yuxi\-Know 的应用场景覆盖多个领域。**在企业场景中，可用于搭建内部知识库，支持员工快速检索规章制度、技术文档、业务资料等，提升工作效率；在教育领域，教师可上传教学课件、题库资源，为学生提供个性化问答辅导；在科研场景中，科研人员可整合学术论文、实验数据，通过知识图谱建立研究内容间的关联，辅助科研创新；在开发者社区，可作为二次开发的基础框架，快速定制符合特定需求的智能问答应用，如行业咨询机器人、智能客服系统等。
# 使用
项目采用 Docker Compose 进行容器编排，因此需提前安装 Docker 和 nvidia\-container\-toolkit，无需 GPU 也可运行核心服务，仅限制本地模型使用。操作系统方面，支持 Linux、macOS 和 Windows（需使用 PowerShell），建议使用 Python 3\.12 及以上版本以保证兼容性。
首先拉取项目代码，推荐使用版本分支以确保运行稳定性：
```
# 克隆稳定版本v0.4.3
git clone --branch v0.4.3 --depth 1 https://github.com/xerrors/Yuxi-Know.git
cd Yuxi-Know
```
项目需要 API 服务商的 API\_KEY 才能正常运行，默认使用 SiliconFlow 服务，使用初始化脚本简化配置流程：
```
# Linux/macOS 系统
./scripts/init.sh
# Windows PowerShell 系统
.\scripts\init.ps1
```
脚本运行后会自动检查并创建.env 文件，提示输入必需的 SILICONFLOW\_API\_KEY，可选输入 TAVILY\_API\_KEY（用于联网搜索功能），并自动拉取所有必需的 Docker 镜像，无需手动操作。
如果需要自定义更多配置，可手动复制环境变量模板并编辑，首先复制模板文件：
```
cp .env.template .env
```
然后便捷 .env 文件，配置核心参数，示例如下：
```
MODEL_DIR=./models
SAVE_DIR=./saves
# 模型供应商配置（必需配置硅基流动API_KEY）
SILICONFLOW_API_KEY=sk-270ea********8bfa97.e3XOMd****Q1Sk # 替换为你的硅基流动API_KEY
TAVILY_API_KEY=tvly-********** # 可选，用于搜索服务
# 可选模型配置（根据需要启用）
# OPENAI_API_KEY=sk-********** # OpenAI服务
# ZHIPUAI_API_KEY=********** # 智谱清言服务
# DEEPSEEK_API_KEY=********** # DeepSeek服务
# ARK_API_KEY=********** # 豆包方舟服务
# DASHSCOPE_API_KEY=********** # 阿里DashScope服务
# Neo4j数据库配置（默认使用容器内置服务，无需修改）
# NEO4J_URI=bolt://neo4j:7687
# NEO4J_USERNAME=neo4j
# NEO4J_PASSWORD=0123456789
# 超级管理员配置（可选，启动后将提示设置）
# YUXI_SUPER_ADMIN_NAME=admin
# YUXI_SUPER_ADMIN_PASSWORD=123456
```
完成环境配置后，即可启动 Yuxi\-Know 的所有服务。执行以下命令构建并启动容器，推荐添加 \- d 参数让服务在后台运行：
```
# 构建并后台启动所有服务
docker compose up --build -d
```
注意服务启动后，后端需要 2\-3 分钟时间初始化，期间请耐心等待，不要强制终止进程。启动过程中若遇到 Milvus 向量数据库启动失败的情况，可执行以下命令重启 Milvus 服务并重启 API 服务：
```
# 重启Milvus服务
docker compose up milvus -d
# 重启API服务
docker restart api-dev
```
服务启动成功后，可通过以下命令查看所有容器状态，确认服务是否正常运行：
```
docker ps
```
服务部署成功后，通过浏览器访问以下地址进入系统：
- Web 前端界面：http://localhost:5173
- API 文档地址：http://localhost:5050/docs（可查看后端 API 接口详情）
首次访问 Web 界面时，系统会提示设置超级管理员账号和密码，这是系统的最高权限账号，用于管理用户、配置系统参数等，务必牢记设置的账号密码。完成超级管理员初始化后，即可登录系统开始使用。
登录后，首先进入系统主页，可看到智能体对话、知识库管理、知识图谱管理等核心功能模块。在使用前，建议先检查系统配置是否正确，点击右上角的 “设置”，查看模型供应商、API\_KEY 配置是否生效，若需切换模型，可在模型配置中选择对应的供应商（如 OpenAI、智谱清言等），确保已配置对应的 API\_KEY。
**【智能对话功能】**
进入 “智能体” 页面，点击 “创建新对话”，即可开始与智能助手交互。在右侧配置面板中，可设置系统提示词、选择驱动模型、启用工具等参数。例如，设置提示词为 “You are a professional technical assistant”，选择模型为 SiliconFlow 的 Qwen/Qwen2\.5\-7B\-Instruct（免费），启用 “Tavily 网页搜索” 工具，即可让智能助手具备技术咨询和实时信息检索能力。
输入问题后，智能助手会结合知识库内容、联网搜索结果（若启用）和大模型能力生成回答。例如输入 “解释什么是机器学习”，助手会给出专业的定义和解释；输入 “推荐几本 AI 领域的经典书籍”，会结合知识库和网络资源提供推荐列表。
**【知识库管理】**
点击 “知识库” 模块，可添加新的知识库并上传文档。支持 PDF、TXT、Markdown、Docx 等格式文件，也可通过 “添加 URL” 功能输入网页地址，系统会自动抓取网页内容并加入知识库。上传文件后，系统会自动进行分块、索引并存储到 Milvus 向量数据库中，这个过程耗时根据文件大小而定，大文件可能需要几分钟。
例如，上传一份 PDF 格式的《Python 编程入门》文档，系统处理完成后，即可在对话中提问相关问题，如 “Python 中列表和字典的区别是什么”，智能助手会从上传的文档中检索相关内容，结合大模型生成精准回答。此外，还可对知识库进行编辑、删除、权限设置等操作，控制不同用户对知识库的访问权限。
**【知识图谱使用】**
知识图谱功能基于 Neo4j 图数据库，点击 “知识图谱” 模块，可导入已有的知识图谱数据。知识图谱数据需整理为 jsonl 格式，每行一条数据，格式如下：
```
{"h": "北京", "t": "中国", "r": "首都"}
{"h": "Python", "t": "编程语言", "r": "属于"}
{"h": "机器学习", "t": "人工智能", "r": "子集"}
```
点击 “导入图谱”，选择整理好的 jsonl 文件，系统会将数据导入 Neo4j 数据库。导入完成后，可在图谱可视化界面查看实体间的关联关系。在对话中，启用 “查询知识图谱” 工具，即可让智能助手基于知识图谱回答关联问题，例如 “北京和中国是什么关系”，助手会通过图谱查询返回 “首都” 的答案。
# 总结
**Yuxi\-Know 作为一款开源的智能知识库与知识图谱问答系统，凭借其全面的功能、简洁的部署流程和灵活的扩展能力，为用户提供了一站式的智能问答解决方案。**项目整合了 RAG 技术与知识图谱优势，支持多模型适配、多格式文档解析、智能检索、权限管理等核心功能，既满足了普通用户快速搭建智能问答平台的需求，也为开发者提供了丰富的二次开发空间。无论是企业内部知识库搭建、教育领域的智能辅导系统，还是科研场景的知识管理工具，Yuxi\-Know 都能凭借其强大的兼容性和实用性发挥重要作用。
**在实际应用中，Yuxi\-Know 的价值不仅体现在提升知识管理效率、降低智能应用开发成本上，更在于推动了 AI 技术的普及和落地。**对于中小企业而言，无需投入大量资源开发定制化系统，通过 Yuxi\-Know 即可快速拥有智能知识库；对于开发者而言，项目的模块化设计和完善的文档支持，使其能够快速基于现有框架进行二次开发，实现个性化需求。