企业官网建设流程全解析

三步把非结构化数据变成知识图谱：llm-graph-builder 新手完整指南

【免费下载链接】llm-graph-builderNeo4j graph construction from unstructured data using LLMs项目地址: https://gitcode.com/GitHub_Trending/ll/llm-graph-builder

手里堆着一堆 PDF、网页、YouTube 视频，却始终抽不出里面人、公司、事件之间的关系？llm-graph-builder 就是为此而生的免费开源知识图谱构建器：把非结构化数据交给 LLM，自动提取实体和关系，存进 Neo4j 图数据库。想把文档变成可查询、可对话的图谱，它很适合你。

它到底能做什么

先说结论：从数据进库到对话提问，全流程都替你做好了。

• 数据源随便投：本地文件、网页、Wikipedia、YouTube、S3 和 GCS 桶都能接，不用先下载转换。
• LLM 干提取的活：OpenAI、Gemini、Diffbot 等十几款模型可换可选，由它们通读文本、拆出节点、关系和属性，文档里的知识被自动结构化。
• 图谱长什么样你说了算：提供自定义 schema，LLM 就按你定义的节点和关系类型提取，输出结构可预期。
• 图谱看得见：生成后一键打开 Neo4j Bloom，单个文件还是多个文件的实体关系都能放大细看。
• 跟数据聊天：自然语言提问，回答还带来源元数据，证据出处查得到。

三步跑起来

先把依赖备好

只需要两样：Docker，以及装了 APOC 插件的 Neo4j 5.23 及以上版本。5.23 不是笔误——后端用了 Cypher 变量作用域子查询写法，更早的 5.x 跑不动。不想本地装库的话，免费的 Neo4j Aura 实例也能用。

拉取代码

git clone https://gitcode.com/GitHub_Trending/ll/llm-graph-builder cd llm-graph-builder

配好密钥，一次启动

仓库里带了模板，复制到前后端各自的.env即可：

cp backend/example.env backend/.env cp frontend/example.env frontend/.env

最关键的是DIFFBOT_API_KEY（唯一强制项）；想用 OpenAI 模型再加OPENAI_API_KEY，然后填NEO4J_URI、NEO4J_USERNAME、NEO4J_PASSWORD、NEO4J_DATABASE四项。最后：

docker-compose up --build

浏览器打开 http://localhost:8080，看到要求连接 Neo4j 的界面，就说明跑起来了。

生成你的第一张图谱

连上 Neo4j 后（填连接信息，或直接拖入凭证文件），选一个数据源——新手建议拖一份小 PDF，或贴一个网页链接。挑好 LLM，想要固定结构就提前在实体提取设置里定义 schema，然后点 Generate Graph。

等待的时候看看这张架构图，你就知道后台在忙什么：

llm-graph-builder 知识图谱构建器系统架构图

左边是数据源，中间是后端调 LLM 做实体提取，右边是存放图谱的 Neo4j。生成完成后，文件列表里对应条目状态变为 Completed，点 Preview Graph 就能在页面里看到节点和关系，想深挖再点 Explore Graph 跳到 Bloom 里探索。

这些场景里最好用

企业的知识管理员。处境：内部报告、会议纪要散落在各处，一问"XX 项目谁在负责"就得翻半天文档。做法：批量导入文档，把 schema 定义成"人/项目/职责"。结果：一张组织关系图谱，可查可对话，新同事上手快一倍。

啃文献的研究生。处境：读了几十篇论文，概念之间的关系全在脑子里，理不清。做法：PDF 一次性拖进去，LLM 把方法、数据集及它们的关系提取出来。结果：领域全貌一张图，还能追问"方法 A 和方法 B 有什么区别"，答案带出处。

数据在云上的工程师。处境：文档躺在 S3 桶里，下载下来再处理很麻烦。做法：直接指向桶扫描，数据不用搬家。结果：图谱在云端数据上直接生成，桶里新增文件后随时补处理。

和它配套的工具

🔧 这套应用站在四块地基上：

• Neo4j：图谱的归宿。所有节点和关系最终都写进这个图数据库，是整个应用的落点。
• LangChain：LLM 调用背后的"中间人"。文本切块、模型调用、提示词编排都走它，所以换模型厂商时你不用碰提取流程。
• Neo4j Bloom：图谱的"放大镜"。生成后从页面就能跳进 Bloom 做 3D 探索，不会写 Cypher 也没关系。
• Diffbot：实体识别的 NLP 引擎。默认配置下它是必选搭档，其它模型密钥都是可选项。

跑通后，先扔一份小 PDF 生成你的第一张图谱吧；自定义 schema、token 限额这些进阶配置，可以直接翻 backend/README.md 和 frontend 文档。

【免费下载链接】llm-graph-builderNeo4j graph construction from unstructured data using LLMs项目地址: https://gitcode.com/GitHub_Trending/ll/llm-graph-builder