Yuxi-Know是什么
Yuxi-Know(语析)是基于大模型RAG知识库与知识图谱技术构建的智能问答平台。Yuxi-Know支持多种知识库文件格式(如PDF、TXT、MD、Docx),支持将文件内容转换为向量存储,便于快速检索。Yuxi-Know集成基于Neo4j的知识图谱问答能力,能处理复杂的知识关系查询。平台支持多模型适配,包括OpenAI、国内主流大模型及本地部署的vllm、ollama等。语析具备智能体拓展功能,支持开发者编写自定义智能体代码,进一步提升系统的灵活性和功能性。

Yuxi-Know的主要功能
- 多模型支持:支持多种大模型平台,包括OpenAI、国内主流大模型平台,及本地部署的vllm和ollama。
- 灵活的知识库管理:支持PDF、TXT、MD、Docx等多种格式的文档上传。
- 知识图谱集成:基于Neo4j的知识图谱问答能力,支持用户上传jsonl格式的知识图谱文件。
- 智能体拓展:支持用户编写自定义智能体代码,进一步拓展系统的功能。
- 推理模型支持:支持Deepseek-R1等推理模型,提供更智能的问答体验。
- 网页检索:支持网页内容检索和展示。
- 可视化配置:提供丰富的可视化配置功能,用户方便地管理和优化系统设置。
Yuxi-Know的技术原理
- RAG架构:基于向量模型将知识库中的文本转换为向量,存储在向量数据库中。当用户提出问题时,系统从向量数据库中检索与问题最相关的文档片段。将检索到的文档片段与用户问题一起输入到大语言模型中,生成准确的答案。
- 知识图谱技术:Neo4j作为知识图谱的存储和查询引擎。知识图谱用节点和关系的形式存储知识,用户基于图谱进行复杂的知识关系查询。知识图谱的构建和管理基于网页界面完成,用户能方便地上传和更新图谱数据。
- 多模型适配:基于配置文件(如models.yaml),系统支持多种大模型平台的API调用。用户根据需要选择不同的模型,系统自动适配调用相应的API。
- 向量模型与重排序模型:向量模型将文本转换为向量,支持多种向量模型,如BAAI/bge-m3等。重排序模型优化检索结果的顺序,提高问答的准确性和效率。
- 前端与后端技术栈:前端基于VueJS,提供用户友好的交互界面。后端基于FastAPI,提供高效的服务端处理能力。数据库用Milvus-Standalone作为向量数据库,Neo4j作为知识图谱数据库。
- Docker容器化部署:Docker进行容器化部署,方便开发和生产环境的快速搭建和管理。支持开发环境的自动更新和后台运行。
Yuxi-Know的项目地址
- GitHub仓库:https://github.com/xerrors/Yuxi-Know
Yuxi-Know的应用场景
- 企业知识管理:构建企业知识库,员工可快速查询资料,提升工作效率。
- 教育领域:辅助在线学习,为学生提供智能辅导和知识解答。
- 客户服务:作为智能客服,快速回答客户咨询,提升客户满意度。
- 医疗健康:提供医学知识查询和患者初步咨询,辅助医疗决策。
- 科研与学术:支持文献检索和知识图谱构建,助力科研工作。
🧭 文中关联 AI 工具官网与参数卡(语宙 AI 导航)
❓ 常见问题解答(FAQ)
Yuxi-Know适合做什么场景?
它适合企业知识管理、教育辅导、客服问答、医疗知识查询和科研文献检索等场景。核心优势是把文档检索和知识图谱问答结合起来,既能回答资料类问题,也能处理关系型复杂查询。
Yuxi-Know支持哪些知识库格式?
文章明确提到支持PDF、TXT、MD、Docx等文档格式,并支持将内容向量化后存入向量数据库,便于快速检索;同时还支持上传jsonl格式的知识图谱文件。
Yuxi-Know能接哪些大模型?
它支持OpenAI、国内主流大模型平台,以及本地部署的vllm、ollama等,并可通过配置文件进行适配。文章还提到支持Deepseek-R1等推理模型,便于按需切换。
🔬 语宙深潜追问 · 进阶实操拆解
RAG和知识图谱该怎么分工?
RAG更适合处理非结构化文档检索与答案生成,知识图谱更适合实体关系、路径推理和多跳问答。落地时建议先用RAG覆盖主流程,再把高频实体、规则和关系沉淀进图谱,形成“检索补充推理”的组合。
企业知识库最容易踩什么坑?
最大问题通常不是模型,而是数据治理:文档版本混乱、权限隔离不足、切分粒度不合理、实体消歧不稳定。要先建立清洗、更新、权限和评测闭环,否则再强的RAG和图谱也会被脏数据拖垮。
🗳️ 读者观点微投票 · 您的实战立场是?
RAG+知识图谱,真能解决企业问答吗?
