炸裂！拆解知识图谱 + RAG 全栈项目，一键复刻智能对话系统！

本次全栈项目融合知识图谱与 RAG 技术。完成实践后，将以知识图谱为数据基础，结合大模型搭建多智能体系统。

若想跳过解析直接运行代码，可跳转至第六部分 “完整代码及操作说明” ，以下先对项目各部分进行解析。

一、任务概述

主要完成基本环境配置、聊天引擎构建及交互界面前端实现（前端使用 4 个封装函数）。

二、后端部分

环境与模块配置

导入各类库完成环境、Streamlit、LLM 及 Embedding 等配置。以下是部分关键代码：

功能模块

索引管理

先尝试加载索引，失败则从本地文档重建并保存。

查询与聊天引擎

创建基于知识图谱的查询引擎和聊天引擎，聊天引擎采用 react 模式，通过 ChatMemoryBuffer 管理聊天历史。

三、前端部分

使用 Streamlit 构建可视化 Demo，用户输入问题与后端交互。以下是部分前端代码：

四、交互界面调用函数

query_nebulagraph

执行 Cypher 查询获取数据。

result_to_df

将查询结果转为 DataFrame。

五、完整代码及操作说明

day6 与 day5 代码版本不同，需新建 conda 环境。首次运行索引加载失败属正常，会自动重建，等待 1 - 2 分钟后可刷出网页，后续启动较快。

文件结构包含 data 文件夹、requirements.txt、environment.yml 及 graph_rag_chatbot.py 。配置环境任选 environment.yml 或 requirements.txt ，如用 conda 创建 wukong2 环境，激活后通过 requirements.txt 安装依赖：

windows 用 environment.yml 创建环境可能有问题，建议用 requirements.txt；ubuntu 可直接使用 environment.yml 。