知识图谱：一个由相互连接的‘节点’（点）组成的精美网络，其中：
你无需阅读大段文字，而是通过一张直观的地图即时看到各种关系！🗺️
我发现了一个超棒的免费工具，名为AI-Knowledge-Graph，它能帮你搞定所有繁重的工作。这款工具的特别之处在于：
你可以把它想象成一条流水线：枯燥的文本进去，酷炫的可视化图谱出来：
"打破文本壁垒"
作用：将大型文档分割成易于处理的小块。
原因：AI 模型无法一次性处理整本书（它们会“不堪重负”！）。
# 这段代码将你的文本分割成可管理的小块
fromknowledge_graph.text_utilsimportchunk_text
# 工具会自动处理，但这是它的工作原理：
defchunk_text(text, chunk_size=200, overlap=20):
"""
将文本分割成重叠的块
Args:
text: 你的输入文本
chunk_size: 每块的最大词数 (默认: 200)
overlap: 块之间重叠的词数 (默认: 20)
Returns:
文本块列表
"""
words = text.split()
chunks = []
foriinrange(0,len(words), chunk_size - overlap):
chunk =' '.join(words[i:i + chunk_size])
chunks.append(chunk)
ifi + chunk_size >=len(words):
break
returnchunks
# 示例用法：
text ="你的长文档文本在这里..."
chunks = chunk_text(text, chunk_size=200, overlap=20)
print(f"从你的文本中创建了{len(chunks)}个块！")实际案例：
让 AI 像侦探般洞察
AI 会扫描每个文本块，寻找以下格式的事实：主体（Subject）→谓语（Predicate）→客体（Object）
# 这是工具提取知识的方式（简化版）
fromknowledge_graph.llmimportprocess_with_llm
defextract_triples_from_chunk(chunk_text):
"""
从文本块中提取 主体-谓语-客体 三元组
Args:
chunk_text: 要分析的文本小块
Returns:
包含 'subject', 'predicate', 'object' 的字典列表
"""
# 工具使用专门的提示词来引导 AI
prompt =f"""
以 JSON 三元组的形式从这段文本中提取事实关系：
[{"subject":"entity1","predicate":"relationship","object":"entity2"}]
规则：
- 使用具体实体（不要使用“他”、“她”、“它”等代词）
- 关系描述要简短（1-3 个词），并且不能使用代词！
- 只提取事实，不提取观点
文本：{chunk_text}
"""
# 调用 AI 模型（使用你配置的 LLM）
response = process_with_llm(prompt)
# 解析 JSON 响应
try:
triples = json.loads(response)
returntriples
except:
return[] # 如果解析失败则返回空列表
# 提取示例：
input_text ="尼尔·阿姆斯特朗在 1969 年阿波罗 11 号任务期间登上了月球。"
# AI 提取以下三元组：
extracted_facts = [
{"subject":"尼尔·阿姆斯特朗","predicate":"登上了","object":"月球"},
{"subject":"尼尔·阿姆斯特朗","predicate":"参与了","object":"阿波罗 11 号"},
{"subject":"阿波罗 11 号","predicate":"发生于","object":"1969 年"}
]
print(f"从文本中提取了{len(extracted_facts)}个事实！")确保大家使用统一的“名牌”
问题：AI 可能会将同一个人称为“埃隆·马斯克”、“马斯克”或“埃隆”。
解决方案：智能化的名称统一。
# 这是工具标准化实体名称的方式
fromknowledge_graph.entity_standardizationimportstandardize_entities
defclean_entity_names(all_triples):
"""
标准化所有三元组中的实体名称
Args:
all_triples: 从所有块中提取的三元组列表
Returns:
实体名称已更新为标准化的三元组
"""
# 步骤 1：收集所有独特的实体
all_entities =set()
fortripleinall_triples:
all_entities.add(triple['subject'].lower())
all_entities.add(triple['object'].lower())
# 步骤 2：使用 AI 对相似实体进行分组
entity_groups = {
"ai":"artificial intelligence",
"artificial intelligence":"artificial intelligence",
"nyc":"new york city",
"new york":"new york city",
"new york city":"new york city"
}
# 注意：实际应用中，这部分逻辑会更加复杂，通常会借助 LLM 或采用更高级的启发式方法来进行实体分组。
# 这里为了演示，我们假设有这样一个预定义的映射。
# 步骤 3：使用标准化名称更新所有三元组
fortripleinall_triples:
iftriple['subject'].lower()inentity_groups:
triple['subject'] = entity_groups[triple['subject'].lower()]
iftriple['object'].lower()inentity_groups:
triple['object'] = entity_groups[triple['object'].lower()]
returnall_triples
# 标准化前——一片混乱！
raw_entities = ["AI","Artificial Intelligence","artificial intelligence","NYC","New York City"]
# 标准化后——整洁明了！
standardized_mapping = {
"AI":"artificial intelligence",
"Artificial Intelligence":"artificial intelligence",
"artificial intelligence":"artificial intelligence",
"NYC":"new york city",
"New York City":"new york city"
}
print("实体已标准化！不再有重复项。")AI 变身“读心者”
有时文本并没有明确说明某些联系，但我们可以通过逻辑推理将其发现：
文本所言：
AI 推理：
# 基于规则的推理示例
defsmart_inference(facts):
new_facts = []
forfact1infacts:
forfact2infacts:
# 如果 A 生产 B，且 B 减少 C，那么 A 有助于减少 C
if(fact1['object'] == fact2['subject']and
fact1['predicate'] =="makes"and
fact2['predicate'] =="reduces"):
new_facts.append({
"subject": fact1['subject'],
"predicate":"helps reduce",
"object": fact2['object'],
"inferred":True# 标记为 AI 推测
})
returnnew_facts"从枯燥数据到精美图谱"
最后一步是把这些事实变成一个可以点击和拖拽的知识网络！
# 第一步：下载工具
gitclonehttps://github.com/robert-mcdermott/ai-knowledge-graph
cdai-knowledge-graph
# 第二步：安装依赖（选择一种方法）
pip install -r requirements.txt
# 或者，如果你更倾向于使用 UV（一种现代化的 Python 包管理工具）
uvsync
# 第三步：设置本地 AI 模型（我推荐 Ollama + Gemma2）
# 访问 https://ollama.ai 并按照其简单的设置步骤操作
# 然后拉取模型：ollama pull gemma2编辑config.toml文件（这就像控制面板）：
[llm]
model="gemma2" # 使用哪个 AI 大脑
api_key="sk-1234" # API 密钥（本地模型可选）
base_url="http://localhost:11434/v1/chat/completions"# 指定本地运行的 AI 服务接口地址
max_tokens=8192 # AI 一次可以输出多少 token（令牌）
temperature=0.2 # 采样温度 (0.2 = 专注准确, 0.8 = 更具创造性)
[chunking]
chunk_size=200 # 文本块大小（按词计算）
overlap=20 # 文本块重叠部分（按词计算）
[standardization]
enabled=true # 清理混乱的名称
use_llm_for_entities=true# 让 AI 帮助标准化名称
[inference]
enabled=true # 让 AI 进行智能推测
use_llm_for_inference=true# 使用 AI 进行关系推理
apply_transitive=true # 应用传递性规则 (如果 A→B, B→C, 那么 A→C)# 方法一：直接作为脚本运行
python generate-graph.py --input your_awesome_text.txt --output my_first_graph.html
# 方法二：使用 UV（如果你通过 uv sync 安装）
uv run generate-graph.py --input your_awesome_text.txt --output my_first_graph.html
# 方法三：以模块形式安装并执行命令
pip install --upgrade -e .
generate-graph --input your_awesome_text.txt --output my_first_graph.html
# 你可以添加的有用标志：
# --debug # 查看 AI 的思考过程
# --no-standardize # 跳过名称清理
# --no-inference # 只提取直接事实
# --test # 首先使用示例数据尝试示例输出：
Harry Potter → lives with → Dursley Family
Dursley Family → lives on → Privet Drive
Hagrid → delivers → Hogwarts Letter
Hogwarts → is → Wizarding School为何有用：新员工可以迅速了解不同政策之间的联系！
temperature = 0.2 # 更加谨慎，确保结果准确无误
temperature = 0.5 # 平衡模式
temperature = 0.8 # 更有创造性，但可能产生幻觉该工具使用了四个精心设计的提示词来引导 AI：
"你是一位知识提取专家。请找出以下格式的事实：
Subject → Predicate → Object
关系描述要简短（1-3 个词），并且不能使用代词！""请将这些指代同一事物的实体名称进行分组：
['AI', 'Artificial Intelligence', 'artificial intelligence']
为每个组选择一个最佳名称。""审视这些不相关的事实。你能从中得出什么逻辑联系？
要聪明，但不要凭空捏造事实！""你是一个精密机器。只输出干净的 JSON 数据。
不需要解释，不需要寒暄，只要结构化的数据。"strict_mode = true以确保准确性。我亲身见证的实际影响：
接下来，开发者们正在酝酿一系列激动人心的新功能，让我们先睹为快吧：
准备好将你的下一个文档转化为视觉杰作了吗？这是你的行动计划：
我们生活在一个 AI 能够将任何文本转化为精美交互式可视化的时代。AI-Knowledge-Graph 工具不仅仅是制作漂亮的图片——它关乎以不同的方式理解信息。
不管你是正在努力搞懂复杂概念的学生，还是想要挖掘新发现的研究员，抑或仅仅是热爱将数据转化为故事的人，这个工具都将令你大开眼界！🤯
| 欢迎光临 链载Ai (https://www.lianzai.com/) | Powered by Discuz! X3.5 |