大模型应用：基于混元大模型 + 图算法：可追溯知识图谱问答系统构建.83

原创

未闻花名

发布于 2026-04-21 07:56:08

2323

一、前言

在大模型深度融入产业应用的当下，自然语言交互的流畅性已实现突破，但事实性幻觉、复杂关系推理薄弱、答案不可追溯三大核心问题，始终制约着大模型在知识服务、智能问答、专业咨询等高可信场景的落地。单纯依赖大模型的语义生成能力，难以处理多跳关联、实体关系推导、结构化知识校验等复杂任务，而传统知识图谱又存在交互门槛高、自然语言适配差的短板。

将图算法与大模型深度融合，正是破解这一困境的最优路径之一：图算法专注于实体关系抽取、路径推理、重要度排序与社区挖掘，构建结构化、可解释的知识图谱；大模型则承担自然语言理解、意图解析与答案生成，实现人机无障碍交互。今天我们依旧采用混元大模型API作为语言引擎，依托其强大的语义理解与指令遵循能力，将用户自然语言问题精准转化为图查询指令，再通过 PageRank、最短路径、社区发现等经典图算法完成知识推理与验证，最终由混元模型生成可信、流畅、可溯源的回答。这套“图算法管关系、大模型管语言”的双引擎架构，既消除了大模型幻觉，又强化了逻辑推理能力，为医疗、文旅、学术、企业知识服务等场景提供了可落地、高可靠的智能问答解决方案，也为大模型的可信化应用提供了清晰的实践思路。

二、核心概念

1. 核心定义

1.1 图算法

图算法不是画图的工具，而是专门用来分析“关系网络”的数学方法。

它能快速找出两个节点之间的最短路径，比如“我们和某位名人之间隔了几层朋友”。
它能发现高度连接的子群体，比如社交网络中的兴趣圈子、金融交易中的异常团伙。
它还能评估节点的重要性，就像各大搜索引擎中的PageRank给网页打分，图算法也能判断“哪个实体在知识网络中最关键”。

图算法的核心优势在于：精准、可解释、擅长结构化推理。

1.2 知识图谱

知识图谱是一种用“图”来组织事实的方式，用“节点（实体）+ 边（关系）”的图形结构存储知识：

每个节点代表一个真实世界的实体，如“李白”、“静夜思”、“唐朝”；
每条边代表两个实体之间的明确关系，如“李白 → 创作 → 静夜思”。

它不像普通数据库那样只存表格，而是把知识变成一张巨大的语义网络。因此，知识图谱本质上是一个结构化、可计算的关系知识库，为机器提供常识骨架。

1.3 大模型的强项与短板

大模型擅长理解和生成人类语言，在自然语言处理上表现出色：

能理解复杂问句，比如“谁写的那首讲月光的唐诗？”
能生成流畅、符合语境的回答，甚至带点文采。

但它的致命弱点也很明显，容易胡说八道，缺乏对复杂关系的推理能力：

容易幻觉：可能一本正经地编造不存在的事实；
缺乏推理锚点：面对“李白和杜甫有没有共同好友？”这类问题，它只能靠概率猜测，无法真正查证。

换句话说，大模型像一个博学但记性不牢的演讲者，说得漂亮，但不一定靠谱。

1.4 知识图谱智能问答

单独使用任何一方都难以支撑高可靠性的智能问答：

只用图算法？听不懂人话，无法处理模糊或口语化提问。
只用大模型？答案可能漂亮却错误，且无法说明“为什么这么答”。
只有知识图谱？它只是静态数据，不会主动理解或表达。

而将三者结合，就能形成一个闭环协作系统：

1. 用户提问 → 大模型先理解意图，把自然语言转化为结构化查询，比如识别出“李白”“静夜思”是关键实体；
2. 图算法介入 → 在知识图谱中执行关系推理：找路径、算相关性、验证逻辑链；
3. 大模型再生成 → 基于图算法返回的真实证据链，组织成人类可读的回答；
4. 全程可追溯 → 每个结论都能回溯到图谱中的具体三元组，实现“有据可查”。

用图算法处理“关系推理”，用大模型处理“语言理解和生成”，结合后既能听懂人话，又能精准推理，还能追溯答案来源。

2. 核心价值

纯大模型问答	图算法 + 大模型问答
答案可能幻觉，无法追溯	答案基于结构化关系，可追溯、无幻觉
缺乏复杂关系推理能力	擅长多步关系推理，如 “李白和杜甫的共同好友是谁”
依赖海量语料，解释性差	基于明确的实体关系，解释性强

三、基础知识

1. 图的基础概念

节点（Entity）：知识的“主角”，比如人、地点、物品，例：李白、北京、手机。
边（Relationship）：节点之间的 “关系”，比如“李白 - 出生地 - 碎叶城”、“北京 - 包含 - 朝阳区”。
属性（Attribute）：节点、边的补充信息，比如李白的“出生日期：701 年”、边“创作” 的 “时间：726 年”。

2. 核心图算法

2.1 PageRank：给“谁更重要”打分

PageRank的核心思想是：被越多重要节点指向的节点，自己也越重要。

就像一篇论文被很多高影响力论文引用，它自然也很关键；
在知识图谱里，它可以帮我们快速找出“核心人物”或“关键概念”，比如识别出李白比其他不知名诗人更中心。
早期的搜索引擎就靠它给网页排序，今天它仍是衡量网络中节点影响力的经典方法。

2.2 社区发现：自动找出“小圈子”

现实世界的关系网里，人总是扎堆的，同学群、家庭群、兴趣小组……社区发现算法就是干这个的：从复杂网络中自动划分出内部连接紧密、外部连接稀疏的子群体。

在医疗知识图谱中，它能把“高血压、糖尿病、肥胖”等高度关联的疾病聚成一类，辅助医生判断共病风险；
在社交网络中，可用于识别潜在的不良操作团伙或营销社群。

2.3 最短路径：找“最少中间人”的连接

如果我们想知道“我和某位名人之间隔了几层关系”？最短路径算法就能回答这个问题。

它计算两个节点之间边数最少（或权重最小）的路径；
除了社交距离，还能用于智能导航（景点间最快路线）、供应链溯源（从原料到成品经过哪些环节）等场景；
在知识图谱问答中，它能揭示“李白 → 师从 → 赵蕤 → 与 → 司马承祯 → 是 → 王维的朋友”这样的隐性关联链。

2.4 实体链接：识别“知识库里的真实对象”

用户问：“诗仙写过哪些诗？”，机器得先知道“诗仙”指的是知识图谱里的‘李白’这个节点，而不是字面意思或其他诗人。

实体链接就是做这件事：将文本中的模糊称呼（别名、昵称、简称）精准映射到知识库中唯一的标准实体；
它是智能问答的第一步，确保后续的图推理找对了人，避免张冠李戴。

3. 图算法的核心原理

PageRank：核心是“投票”，一个节点的重要度 = 所有指向它的节点的重要度之和，比如“杜甫”指向“李白”，说明李白更重要。
最短路径：核心是“贪心算法”，从起点出发，每次走最近的节点，直到到达终点，比如找“李白→贺知章→唐玄宗”的最短路径。
社区发现：核心是“模块化”，把内部关系紧密、外部关系稀疏的节点分成一组，比如“山水诗人”社区。

4. 大模型在其中的角色

输入侧：把用户的自然语言问题（如“李白的出生地在哪里？”）转换成图算法能理解的查询指令，如“查找节点‘李白’的‘出生地’边指向的节点”。
输出侧：把图算法的结果（如 “碎叶城”）转换成自然、流畅的人类语言回答，如“李白的出生地是碎叶城，位于今天的吉尔吉斯斯坦托克马克市”。
补充侧：处理图算法覆盖不到的“非结构化知识”，如李白的诗歌风格，但答案基于知识图谱，避免幻觉。

5. 大模型与图算法结合原理

解耦：把“语言理解”和“关系推理”分开，让专业的工具做专业的事。
互补：大模型弥补图算法的语言短板，图算法弥补大模型的推理短板。
可验证：图算法的结果是结构化的，可直接验证，避免大模型的幻觉。

四、执行流程

流程说明：

- 1. 数据准备

数据源：结构化数据（Excel / 数据库）、半结构化数据（JSON/XML）、非结构化数据（文本 / 文档）。
示例数据：人物关系表（姓名、关系、关联人、属性）、景点信息表（景点名、所属城市、评分）。

- 2. 图算法抽取关系

用PageRank筛选核心实体，比如从1000个诗人中找出核心的100个。
用实体链接把文本中的“别名”匹配到标准节点，如“诗仙”→“李白。
用社区发现把关联实体分组，如“唐诗诗人”、“宋词词人”两个社区。

- 3. 构建知识图谱

选择工具：零基础推荐可视化强的Neo4j、基于Python代码易写的NetworkX。
存储结构：节点（实体 ID、名称、属性）+ 边（关系 ID、起始节点、终止节点、关系类型、属性）。

- 4. 大模型处理用户问题

提示词设计：让大模型把自然语言转成 “图查询语句”。
示例提示词：

你是一个知识图谱查询转换助手，需要把用户的自然语言问题转换成针对NetworkX图的查询指令。知识图谱包含的节点类型：Person（人物：李白、杜甫、贺知章）、Place（地点：碎叶城、长安）。关系类型：friend（朋友）、birthPlace（出生地）、livedIn（居住过）。请返回简洁的Python查询指令，仅返回代码片段，不要多余解释。示例：用户问题：李白的出生地在哪里？输出：list(kg[李白][x] for x in kg.neighbors('李白') if kg[李白][x]['relation'] == 'birthPlace') 用户问题：{question}

- 5. 图算法执行推理查询

执行最短路径查询，如“李白和杜甫的最短关系链”。
执行社区发现查询，如“李白所属的诗人社区有哪些人”。
执行PageRank查询，如“唐诗社区中最重要的3个诗人”。

- 6. 大模型生成回答 + 追溯来源

把图算法的结果（如“碎叶城”）传给大模型，让其生成自然语言回答。
附加“答案来源”，如“来自知识图谱中‘李白’与‘碎叶城’的‘出生地’关系”。

五、示例展示

1. 用 NetworkX 构建简单知识图谱

import networkx as nx
import matplotlib.pyplot as plt
from matplotlib import font_manager

# 设置中文字体（解决中文显示乱码问题）
font_family = ["Microsoft YaHei", "SimHei", "WenQuanYi Micro Hei", "Heiti TC", "Arial Unicode MS"]
plt.rcParams["font.family"] = font_family
plt.rcParams["axes.unicode_minus"] = False  # 解决负号显示问题

# 查找并设置可用字体
available_fonts = [f.name for f in font_manager.fontManager.ttflist]
node_font = None
for font in font_family:
    if font in available_fonts:
        node_font = font
        break
if node_font is None:
    node_font = "DejaVu Sans"  # 默认字体
    print("警告: 未找到中文字体，可能显示乱码")
# 1. 创建空的无向图
kg = nx.Graph()

# 2. 添加节点（实体）：人物节点，带属性
kg.add_node("李白", type="Person", birth_year=701)
kg.add_node("杜甫", type="Person", birth_year=712)
kg.add_node("贺知章", type="Person", birth_year=659)
kg.add_node("碎叶城", type="Place", location="吉尔吉斯斯坦")
kg.add_node("长安", type="Place", location="中国西安")

# 3. 添加边（关系）：带关系类型属性
kg.add_edge("李白", "贺知章", relation="friend")
kg.add_edge("李白", "杜甫", relation="friend")
kg.add_edge("李白", "碎叶城", relation="birthPlace")
kg.add_edge("李白", "长安", relation="livedIn")
kg.add_edge("杜甫", "长安", relation="livedIn")

# 4. 可视化知识图谱（生成图片）
plt.figure(figsize=(10, 6))
# 设置节点位置
pos = nx.spring_layout(kg, seed=42)  # seed固定布局
# 绘制节点
nx.draw_networkx_nodes(kg, pos, node_size=3000, node_color="lightblue")
# 绘制边
nx.draw_networkx_edges(kg, pos, width=2, edge_color="gray")
# 绘制节点标签
nx.draw_networkx_labels(kg, pos, font_size=12, font_weight="bold", font_family=node_font)
# 绘制边的关系标签
edge_labels = nx.get_edge_attributes(kg, "relation")
nx.draw_networkx_edge_labels(kg, pos, edge_labels=edge_labels, font_size=10, font_family=node_font)
# 隐藏坐标轴
plt.axis("off")
# 保存图片
plt.savefig("83.用NetworkX构建简单知识图谱 knowledge_graph.png", dpi=300, bbox_inches="tight")
plt.show()

# 输出图谱基本信息
print("知识图谱节点数：", kg.number_of_nodes())
print("知识图谱边数：", kg.number_of_edges())
print("李白的所有关系：", list(kg.edges("李白")))

输出结果：

知识图谱节点数： 5 知识图谱边数： 5 李白的所有关系： [('李白', '贺知章'), ('李白', '杜甫'), ('李白', '碎叶城'), ('李白', '长安')]

结果图示：

蓝色节点：实体（李白、杜甫、贺知章、碎叶城、长安）。
灰色边：实体之间的关系（friend、birthPlace、livedIn）。
节点标签：实体名称。
边标签：关系类型。

2. 图算法实战（最短路径 + PageRank）

import networkx as nx
import matplotlib.pyplot as plt
from matplotlib import font_manager

# 设置中文字体（解决中文显示乱码问题）
font_family = ["Microsoft YaHei", "SimHei", "WenQuanYi Micro Hei", "Heiti TC", "Arial Unicode MS"]
plt.rcParams["font.family"] = font_family
plt.rcParams["axes.unicode_minus"] = False  # 解决负号显示问题

# 查找并设置可用字体
available_fonts = [f.name for f in font_manager.fontManager.ttflist]
node_font = None
for font in font_family:
    if font in available_fonts:
        node_font = font
        break
if node_font is None:
    node_font = "DejaVu Sans"  # 默认字体
    print("警告: 未找到中文字体，可能显示乱码")
# 1. 创建空的无向图
kg = nx.Graph()

# 2. 添加节点（实体）：人物节点，带属性
kg.add_node("李白", type="Person", birth_year=701)
kg.add_node("杜甫", type="Person", birth_year=712)
kg.add_node("贺知章", type="Person", birth_year=659)
kg.add_node("碎叶城", type="Place", location="吉尔吉斯斯坦")
kg.add_node("长安", type="Place", location="中国西安")

# 3. 添加边（关系）：带关系类型属性
kg.add_edge("李白", "贺知章", relation="friend")
kg.add_edge("李白", "杜甫", relation="friend")
kg.add_edge("李白", "碎叶城", relation="birthPlace")
kg.add_edge("李白", "长安", relation="livedIn")
kg.add_edge("杜甫", "长安", relation="livedIn")

# 4. 可视化知识图谱（生成图片）
plt.figure(figsize=(10, 6))
# 设置节点位置
pos = nx.spring_layout(kg, seed=42)  # seed固定布局
# 绘制节点
nx.draw_networkx_nodes(kg, pos, node_size=3000, node_color="lightblue")
# 绘制边
nx.draw_networkx_edges(kg, pos, width=2, edge_color="gray")
# 绘制节点标签
nx.draw_networkx_labels(kg, pos, font_size=12, font_weight="bold", font_family=node_font)
# 绘制边的关系标签
edge_labels = nx.get_edge_attributes(kg, "relation")
nx.draw_networkx_edge_labels(kg, pos, edge_labels=edge_labels, font_size=10, font_family=node_font)
# 隐藏坐标轴
plt.axis("off")
# 保存图片
plt.savefig("83.用NetworkX构建简单知识图谱 knowledge_graph.png", dpi=300, bbox_inches="tight")

# 1. 最短路径算法：找李白到贺知章的最短路径
shortest_path = nx.shortest_path(kg, source="李白", target="贺知章")
print("李白到贺知章的最短路径：", shortest_path)

# 2. PageRank算法：计算节点重要度
pagerank = nx.pagerank(kg)
# 按重要度排序
sorted_pagerank = sorted(pagerank.items(), key=lambda x: x[1], reverse=True)
print("\n节点重要度排名（PageRank）：")
for node, score in sorted_pagerank:
    print(f"{node}: {score:.4f}")

# 3. 社区发现算法：识别关系紧密的社区
from networkx.algorithms import community
# 贪心社区发现
communities = community.greedy_modularity_communities(kg)
print("\n识别到的社区：")
for i, comm in enumerate(communities):
    print(f"社区{i+1}：{list(comm)}")

输出结果：

李白到贺知章的最短路径： ['李白', '贺知章'] 节点重要度排名（PageRank）：李白: 0.3861 杜甫: 0.1949 长安: 0.1949 贺知章: 0.1121 碎叶城: 0.1121 识别到的社区：社区1：['贺知章', '碎叶城', '李白'] 社区2：['长安', '杜甫']

3. 混元大模型结合

import os
import json
import networkx as nx
from openai import OpenAI
# from dotenv import load_dotenv

# 使用腾讯混元大模型
client = OpenAI(
    api_key='sk-bWlJPKjBrSFGoQ0Ys0ma********************Z5NP8Ze',
    base_url="https://api.hunyuan.cloud.tencent.com/v1",
)

# 1. 创建空的无向图
kg = nx.Graph()

# 2. 添加节点（实体）：人物节点，带属性
kg.add_node("李白", type="Person", birth_year=701)
kg.add_node("杜甫", type="Person", birth_year=712)
kg.add_node("贺知章", type="Person", birth_year=659)
kg.add_node("碎叶城", type="Place", location="吉尔吉斯斯坦")
kg.add_node("长安", type="Place", location="中国西安")

# 3. 添加边（关系）：带关系类型属性
kg.add_edge("李白", "贺知章", relation="friend")
kg.add_edge("李白", "杜甫", relation="friend")
kg.add_edge("李白", "碎叶城", relation="birthPlace")
kg.add_edge("李白", "长安", relation="livedIn")
kg.add_edge("杜甫", "长安", relation="livedIn")

# 定义函数：大模型把自然语言问题转成图查询指令
def nl2graph_query(question):
    prompt = f"""
    你是一个知识图谱查询转换助手，需要把用户的自然语言问题转换成针对NetworkX图的查询指令。
    知识图谱包含的节点类型：Person（人物：李白、杜甫、贺知章）、Place（地点：碎叶城、长安）。
    关系类型：friend（朋友）、birthPlace（出生地）、livedIn（居住过）。
    请返回简洁的Python查询指令，仅返回代码片段，不要多余解释。

    示例：
    用户问题：李白的出生地在哪里？
    输出：list(kg[李白][x] for x in kg.neighbors('李白') if kg[李白][x]['relation'] == 'birthPlace')

    用户问题：{question}
    """
    response = client.chat.completions.create(
        model="hunyuan-lite",
        messages=[{"role": "user", "content": prompt}]
    )
    return response.choices[0].message.content.strip()

# 定义函数：大模型把图算法结果转成自然语言回答
def graph_result2nl(question, result):
    prompt = f"""
    你是一个智能问答助手，需要把知识图谱的查询结果转换成自然、流畅的人类语言回答。
    用户问题：{question}
    图算法查询结果：{result}
    请返回简洁、易懂的回答，不要多余解释。
    """
    response = client.chat.completions.create(
        model="hunyuan-lite",
        messages=[{"role": "user", "content": prompt}]
    )
    return response.choices[0].message.content.strip()

# 实战：用户自然语言问答
user_question = "李白的出生地在哪里？"
print(f"\n用户问题：{user_question}")

# 步骤1：大模型转换查询指令
graph_query = nl2graph_query(user_question)
print(f"原始返回：{repr(graph_query)}")

# 清理混元返回的代码标记
if graph_query.startswith("```"):
    graph_query = graph_query.split("```")[1]
    if graph_query.startswith("python"):
        graph_query = graph_query[6:].strip()
graph_query = graph_query.strip()

print(f"清理后的图查询指令：{repr(graph_query)}")

# 步骤2：执行图查询（安全执行）
try:
    # 构造执行环境，包含节点名称
    exec_env = {"kg": kg, "list": list, "李白": "李白", "杜甫": "杜甫", "贺知章": "贺知章", "碎叶城": "碎叶城", "长安": "长安"}
    # 执行查询
    exec(f"result = {graph_query}", exec_env)
    graph_result = exec_env["result"]
    print(f"图算法查询结果：{graph_result}")
except Exception as e:
    graph_result = f"查询出错：{str(e)}"
    print(f"图算法查询结果：{graph_result}")

# 步骤3：大模型生成自然语言回答
nl_answer = graph_result2nl(user_question, graph_result)
print(f"最终回答：{nl_answer}")

# 另一个示例：多步推理
user_question2 = "李白的朋友有谁？他们都住过哪里？"
print(f"\n用户问题：{user_question2}")

# 步骤1：转换查询指令
graph_query2 = nl2graph_query(user_question2)

# 清理代码标记
if graph_query2.startswith("```"):
    graph_query2 = graph_query2.split("```")[1]
    if graph_query2.startswith("python"):
        graph_query2 = graph_query2[6:].strip()
graph_query2 = graph_query2.strip()

print(f"转换后的图查询指令：{graph_query2}")

# 步骤2：执行查询（查询李白的朋友）
try:
    exec_env2 = {"kg": kg, "list": list, "李白": "李白", "杜甫": "杜甫", "贺知章": "贺知章", "碎叶城": "碎叶城", "长安": "长安"}
    exec(f"result2 = {graph_query2}", exec_env2)
    friends_result = exec_env2["result2"]
    print(f"查询返回结果：{friends_result}")

    # 提取朋友节点名称（获取邻居节点）
    friends_names = list(kg.neighbors('李白'))
    # 筛选出关系是friend的朋友
    friends = [n for n in friends_names if kg['李白'][n]['relation'] == 'friend']
    print(f"李白的朋友：{friends}")

    # 步骤3：查询朋友们居住的地方
    if friends:
        for friend in friends:
            friend_places = []
            for neighbor in kg.neighbors(friend):
                if kg[friend][neighbor]['relation'] == 'livedIn':
                    friend_places.append(neighbor)
            print(f"  {friend} 住过：{friend_places}")

except Exception as e:
    print(f"查询出错：{str(e)}")

# 步骤4：大模型生成自然语言回答
if 'friends_result' in locals():
    nl_answer2 = graph_result2nl(user_question2, f"李白的朋友：{friends_result}")
    print(f"最终回答：{nl_answer2}")

示例细节：

1. 知识图谱构建的注意事项
- 节点命名要统一：避免“李白”、“李太白”、“诗仙”同时作为独立节点，需先做实体归一化。
- 关系类型要标准化：比如“出生地”统一用“birthPlace”，不要混用“出生于”、“老家”。
- 属性要结构化：尽量用“键值对”存储，比如“birth_year:701”而非“李白701年出生”。
2. 图算法选择技巧
- 简单关系查询：用最短路径、邻居查询。
- 重要度排序：用 PageRank。
- 分组分析：用社区发现。
- 实体匹配：用实体链接，可结合大模型做别名匹配。
3. 大模型提示词优化技巧
- 明确知识图谱的结构：告诉大模型有哪些节点、关系类型。
- 限定输出格式：让大模型只返回查询指令，避免多余内容。
- 提供示例：给出 1-2 个示例，提升转换准确率。

输出结果：

用户问题：李白的出生地在哪里？ 原始返回："```python\nlist(kg[李白][x] for x in kg.neighbors('李白') if kg[李白][x]['relation'] == 'birthPlace')\n```" 清理后的图查询指令："list(kg[李白][x] for x in kg.neighbors('李白') if kg[李白][x]['relation'] == 'birthPlace')" 图算法查询结果：[{'relation': 'birthPlace'}] 最终回答：李白的出生地是西域碎叶城，即今天的吉尔吉斯斯坦境内。 用户问题：李白的朋友有谁？他们都住过哪里？ 转换后的图查询指令：list(kg[李白][x] for x in kg.neighbors('李白') if kg[李白][x]['relation'] in ['friend', 'livedIn']) 查询返回结果：[{'relation': 'friend'}, {'relation': 'friend'}, {'relation': 'livedIn'}] 李白的朋友：['贺知章', '杜甫'] 贺知章住过：[] 杜甫住过：['长安'] 最终回答：李白的朋友有杜甫、贺知章等人，他们曾共同居住在长安城。

六、总结

以前我也总觉得，大模型够强就能搞定一切问答，但接触的越深越明白，纯大模型天生有短板，容易幻觉、推理不严谨、答案没法追溯。而基于图算法管关系、混元管语言的双引擎模式，刚好把两者的优势捏合在了一起：用 PageRank、最短路径、社区发现这些图算法做关系挖掘和推理，靠大模型做自然语言理解和生成，搭出来的知识图谱问答系统，既听得懂人话，又能给出靠谱、可溯源的答案。

总的来说，做落地项目，从来不是堆技术，而是让专业的工具干专业的事。知识图谱负责存事实，图算法负责推逻辑，大模型负责做交互，分工明确才够稳定。我们初次接触可以先别着急对接大模型，先用NetworkX搭小图谱、跑通图算法，把实体和关系的逻辑理清楚；再接入大模型的API或本地大模型做语言转换，循序渐进才不容易乱。

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

玩转腾讯混元大模型

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

玩转腾讯混元大模型

#图算法应用

#可追溯知识问答系统

登录后参与评论

0 条评论

热度