项目速览

项目信息	详情
项目地址	xerrors/Yuxi-Know（GitHub 直达）
核心语言	Python（前端 Vue.js、后端 FastAPI）
项目定位	集成 LightRAG 知识库与知识图谱的智能体开发平台
核心技术栈	LangChain v1 + Vue + FastAPI + LightRAG + Neo4j
关键特性	支持 DeepAgents、MinerU PDF 解析、Neo4j 图数据库、MCP 多组件平台
许可证	MIT License（开源可商用）
最新动态	2025-12-27 单日星标暴涨 287 颗，成为知识图谱 + RAG 领域热门项目

一、项目背景：解决知识密集型场景的核心痛点

在科研、企业决策、教育等知识密集型领域，传统信息处理方式面临三大核心瓶颈：

1. 非结构化数据利用率低：大量 PDF、文档、对话记录等非结构化数据难以高效检索与关联，信息提取成本高；
2. 知识关联与推理能力弱：传统 RAG 仅能实现 “检索 - 生成”，无法挖掘知识间的深层关联，难以支撑复杂决策；
3. 开发门槛高、扩展性差：搭建知识管理系统需整合 RAG、知识图谱、大模型等多种技术，定制化开发周期长。

Yuxi-Know（语析）的核心价值是 **“打通非结构化知识检索与结构化知识推理”**：通过 LightRAG 实现高效文档检索，结合知识图谱构建结构化知识网络，再基于 LangChain Agent 实现智能决策与分析，让开发者可快速搭建企业级知识智能体。

二、核心技术架构深度解析

Yuxi-Know 采用 “前后端分离 + 分层架构” 设计，整体架构分为 4 层，各层职责清晰、松耦合，保障系统的可扩展性与性能。

1. 架构分层设计（附技术选型逻辑）

各层核心作用与技术选型优势：

• 前端层（Vue.js）：采用 Vue 3 + Element Plus 组件库，提供可视化操作界面（知识库管理、知识图谱可视化、智能问答），支持响应式布局，适配多终端；
• API 网关层（FastAPI）：高性能异步框架，支持 OpenAPI 规范自动生成接口文档，内置请求验证与权限控制，相比 Flask/Tornado 吞吐量提升 30%+；
• 核心服务层：
  • Agent 调度服务：基于 LangChain v1 实现 Agent 生命周期管理，支持多智能体协作、工具调用编排（如自动触发 PDF 解析→知识抽取→图谱构建）；
  • RAG 服务：集成 LightRAG（轻量级高性能 RAG 组件），支持增量文档导入、多粒度文本分割、混合检索（关键词 + 向量），检索准确率比传统 RAG 提升 15%；
  • 知识图谱服务：对接 Neo4j 图数据库，支持知识三元组抽取、图谱可视化查询、复杂路径推理（如 “某技术→关联论文→作者→合作机构”）；
• 数据层：采用多存储协同设计，MinIO 存储原始文档，Neo4j 存储结构化知识图谱，Chroma 存储向量索引，兼顾存储效率与查询性能。

2. 核心创新点：RAG 与知识图谱的深度融合

Yuxi-Know 的核心竞争力在于 **“非结构化知识→结构化知识→智能推理” 的全链路打通 **，具体融合机制如下：

1. 数据接入阶段：通过 MinerU PDF 解析插件（支持扫描版 PDF/OCR）提取文档文本，经 LightRAG 进行文本分割与向量生成，同时调用大模型（如 DeepAgents）抽取知识三元组（实体 - 关系 - 属性）；
2. 知识存储阶段：文本向量存入 Chroma，知识三元组存入 Neo4j，原始文档存入 MinIO，通过元数据关联三者（如文档 ID 关联对应的向量片段与知识实体）；
3. 检索推理阶段：用户查询时，LightRAG 先检索相关文本片段，Agent 同时触发 Neo4j 知识图谱查询，将 “文本检索结果 + 图谱关联知识” 融合为上下文，再调用大模型生成回答。

融合优势验证：

相比纯 RAG 方案，Yuxi-Know 在 “复杂知识关联查询” 场景下，回答准确率提升 28%（官方学术数据集测试）；在 “多文档交叉分析” 场景下，信息提取完整性提升 40%。

3. 插件生态系统：低代码扩展能力

项目支持多类型插件集成，开发者可通过 API 快速接入自定义工具，核心插件包括：

• 文档解析插件：MinerU PDF（支持多格式文档：PDF/Word/Excel/Markdown）、OCR 插件（处理图片型文档）；
• 数据库插件：Neo4j（默认图数据库）、MySQL/PostgreSQL（支持结构化业务数据接入）；
• 大模型插件：DeepAgents、ChatGLM、GPT-4（支持本地 / 云端模型切换，保障隐私）；
• MCP 插件：多组件平台集成，支持与企业现有系统（如 OA、CRM）对接，实现知识闭环应用。

三、实战指南：5 分钟本地部署 Yuxi-Know

前置环境要求

• 操作系统：Ubuntu 20.04+/CentOS 7+/macOS 12+
• 依赖工具：Docker 20.10+、Docker Compose 2.0+、Git
• 硬件要求：至少 4GB 内存（推荐 8GB+，知识图谱构建需更多内存）

完整部署步骤（官方推荐 Docker Compose 一键部署）

1. 环境检查与依赖安装

# 检查Docker环境
docker --version
docker compose --version

# 若未安装，执行以下命令（Ubuntu示例）
sudo apt update && sudo apt install -y docker.io docker-compose-plugin
sudo systemctl start docker && sudo systemctl enable docker

2. 克隆代码与部署服务

# 克隆仓库
git clone https://github.com/xerrors/Yuxi-Know.git
cd Yuxi-Know

# 一键部署所有依赖服务（前端、后端、数据库、缓存等）
docker-compose up --build -d

# 查看服务启动状态（确保所有容器均为Up状态）
docker-compose ps

3. 服务验证与访问

1. 服务启动成功后，打开浏览器访问：http://localhost:8080（前端界面）；
2. 初始账号密码：admin/admin（首次登录需修改密码）；
3. 验证核心功能：
   • 进入「知识库管理」→ 上传 PDF 文档，测试文档解析与向量生成；
   • 进入「知识图谱」→ 查看自动抽取的知识三元组与图谱可视化；
   • 进入「智能问答」→ 提问与文档相关的问题，验证 RAG + 知识图谱的融合回答效果。

4. 常见问题排查

• 容器启动失败：检查端口是否被占用（默认占用 8080/8000/7687/8888，可修改 docker-compose.yml 中的端口映射）；
• 文档解析失败：确保上传的 PDF 为可解析格式（扫描版需安装 OCR 插件）；
• 知识图谱无数据：检查大模型插件是否配置正确，需在「系统设置」→「模型管理」中填写模型 API 密钥（本地模型无需密钥）。

四、核心功能模块详解

1. 知识库管理模块

• 支持多格式文档批量导入（PDF/Word/Markdown/Excel）；
• 内置 LightRAG 的文本分割策略（支持按章节 / 段落 / 句子分割，可自定义分割长度）；
• 支持文档版本管理与增量更新（新增文档无需重建整个索引）；
• 提供文档检索功能（关键词检索 + 语义检索，支持筛选时间 / 类型 / 来源）。

2. 知识图谱模块

• 自动抽取：调用大模型抽取文本中的实体、关系、属性，生成知识三元组；
• 手动编辑：支持手动添加 / 删除 / 修改知识节点与关系，完善知识图谱；
• 可视化查询：通过拖拽节点 / 输入查询条件，可视化展示知识关联路径；
• 推理能力：支持多跳推理（如 “查询 A 技术的相关作者发表的其他论文”）。

3. 智能体模块

• 基于 LangChain v1 构建，支持自定义 Agent 角色（如科研助手 / 企业顾问 / 教学助手）；
• 工具调用：自动调用知识库检索、知识图谱查询、文档解析等工具；
• 多智能体协作：支持多个 Agent 分工协作（如一个 Agent 负责检索，一个 Agent 负责分析，一个 Agent 负责生成报告）；
• 任务编排：支持创建自定义工作流（如 “每日自动解析新文档→更新知识库→生成知识摘要”）。

4. 系统管理模块

• 用户与权限管理：支持多角色（管理员 / 普通用户 / 游客），细粒度控制功能权限；
• 模型管理：支持切换不同大模型，配置模型参数（温度 / 最大 token 数）；
• 插件管理：安装 / 卸载 / 启用 / 禁用插件，配置插件参数；
• 日志管理：记录用户操作、系统运行、错误信息，方便问题排查。

五、与同类工具对比：核心优势分析

特性	Yuxi-Know	传统 RAG 工具（如 LangChain-Chatchat）	商业知识管理平台（如 Notion AI）
知识融合能力	RAG + 知识图谱深度融合	仅支持 RAG，无知识图谱	基础语义检索，无知识图谱
架构扩展性	微服务架构，支持插件扩展	架构相对固定，扩展成本高	闭源系统，无法二次开发
部署方式	支持本地私有化部署 + 云端部署	主要支持本地部署	仅云端部署，数据隐私无保障
文档解析能力	支持多格式 + OCR，解析精度高	支持基础格式，解析能力有限	支持多格式，但收费
智能体能力	支持多智能体协作与任务编排	基础 Agent 功能，无协作能力	简单问答 Agent，无自定义能力
开源性质	MIT 开源，可商用	开源但功能有限	闭源，按订阅收费

Yuxi-Know 的独特优势：

1. 技术融合创新：率先实现 LightRAG 与知识图谱的深度融合，解决纯 RAG 的知识关联能力弱的问题；
2. 低代码开发：提供可视化操作界面，开发者无需关注底层技术细节，可快速搭建智能体；
3. 隐私与扩展性平衡：支持本地私有化部署（保障数据隐私），同时提供插件生态（满足个性化需求）；
4. 技术栈友好：采用 Vue+FastAPI+LangChain 等主流技术，开发者学习成本低，二次开发门槛低。

六、适用场景与目标用户

核心适用场景

• 企业内部知识管理系统（如研发文档管理、客户案例库、员工培训知识库）；
• 科研辅助平台（文献管理、论文分析、科研知识图谱构建）；
• 教育领域（教学资源管理、智能答疑、知识点关联分析）；
• 政务 / 医疗领域（政策文档管理、病历分析、知识推理决策）。

目标用户群体

• 企业 IT / 研发团队：需要搭建内部知识管理与智能问答系统；
• 软件工程师：专注于大模型、RAG、知识图谱领域的开发者（可基于此项目二次开发）；
• 科研人员：需要高效管理文献、挖掘科研知识关联的学者；
• 教育机构技术人员：搭建智能教学辅助平台。

总结

Yuxi-Know 作为融合 LightRAG 与知识图谱的智能体开发平台，通过 “非结构化知识检索 + 结构化知识推理” 的创新模式，解决了知识密集型场景的核心痛点。其基于主流技术栈（Vue+FastAPI+LangChain）构建，具备低代码开发、高扩展性、隐私安全等优势，既适合企业快速搭建知识管理系统，也适合开发者基于此项目进行二次开发与技术研究。