目录一、案例简介二、案例目标2.1 核心功能2.2 技术要点2.3 预期效果三、技术栈与核心依赖3.1 编程语言与框架3.2 核心依赖库3.3 推荐的 LLM 模型四、项目配置4.1 环境变量配置4.2 Docker Compose 配置Neo4j 服务Ollama 服务Streamlit 应用服务五、项目结构5.1 关键文件说明六、核心代码实现6.1 数据模型设计Entity（实体）Relationship（关系）Citation（引用）AnswerWithCitations（带引用的答案）6.2 知识图谱管理器核心方法6.3 基于 LLM 的实体提取6.4 带引用的多跳 RAG七、运行与测试7.1 快速开始（Docker 方式）7.2 手动安装方式步骤 1：安装 Ollama步骤 2：启动 Neo4j步骤 3：安装 Python 依赖步骤 4：运行应用7.3 使用示例示例 1：添加文档示例 2：提问示例 3：查看推理追踪八、实现思路与扩展建议8.1 核心设计思想1. 知识图谱 vs 向量检索2. 可验证性设计3. 本地化部署8.2 架构流程图文档处理流程查询处理流程8.3 可能的优化方向1. 性能优化2. 功能扩展3. 企业级特性8.4 扩展功能建议1. 集成更多 LLM2. 支持更多数据源3. 高级推理能力九、完整源码knowledge_graph_rag.pyrequirements.txtDockerfiledocker-compose.yml总结一、案例简介本案例演示了一个基于知识图谱的检索增强生成（RAG）系统，该系统能够提供：多跳推理：跨越多个文档和实体进行复杂推理可验证引用：每个声明都可以追溯到源文档透明推理追踪：完整记录推理过程，便于审计与传统基于向量相似度的 RAG 不同，知识图谱 RAG 通过构建结构化的知识图谱，实现了更精准的信息检索和更强的推理能力。二、案例目标2.1 核心功能文档知识提取：使用 LLM 从非结构化文本中提取实体和关系