炸裂！手把手教你用知识图谱 + RAG 搭建超智能问答系统，附完整代码！

本项目融合知识图谱与 RAG 技术，实现基于知识图谱的智能问答。

一、任务核心

完成环境配置；

构建基于知识图谱和 LLM 的聊天引擎；

使用 Streamlit 开发前端交互界面。

二、后端功能模块

环境与模块导入

设置运行环境，导入基础库，配置 UTF - 8 编码和 INFO 级日志记录。

Streamlit 配置

引入 Streamlit 及组件，用于构建前端交互界面。

LLM 与 Embedding 配置

配置 OpenAI LLM，创建文本嵌入模型实例。

Service Context 设置

构建全局服务上下文，设定 LLM 和分块大小。

Nebula Graph 配置

通过环境变量连接 Nebula Graph，配置图存储相关参数，创建存储上下文。

索引管理

尝试加载已有索引，若失败则根据本地数据重建索引并保存。

查询引擎构建

基于知识图谱索引创建查询引擎。

聊天历史管理

用 ChatMemoryBuffer 记录聊天历史，控制内存，保障对话连贯。

聊天引擎创建

采用 react 模式，结合记忆缓冲区，创建基于知识图谱的聊天引擎。

三、前端交互界面

使用 Streamlit 搭建，实现用户提问、查看回答，侧边栏可查询图谱并可视化结果。

完成页面配置、标题描述设置，实现聊天记录初始化、用户输入处理、后端调用回复，以及侧边栏查询交互功能 。

四、关键函数解析

query_nebulagraph

执行 NebulaGraph 查询；

result_to_df

将查询结果转为 DataFrame；

create_pyvis_graph

用 Pyvis 绘制交互图；

render_pd_item

按元素类型添加到 PyVis 图中。

五、完整代码及操作说明

注意 day6 和 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，会自动建立索引，等待 1 - 2 分钟后可显示网页。

文件结构如下：

配置环境可任选 environment.yml 或 requirements.txt ：

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 。