＜span class=“js_title_inner“＞开源免费！推荐一款基于DeepSeek大模型RAG知识库与知识图谱平台，打通飞书、企业微信、钉钉＜/span＞

IoT物联网技术

392人浏览 · 2026-02-02 09:20:21

IoT物联网技术 · 2026-02-02 09:20:21 发布

文末联系小编，获取项目源码

语析Yuxi-Know 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，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。

语析集成基于Neo4j的知识图谱问答能力，能处理复杂的知识关系查询，支持多模型适配，包括DeepSeek、Qwen、Gemini、OpenAI等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。

🤖 技术架构

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。

🔥 核心优势

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。
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。
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。
网页检索：支持联网搜索，辅助回答最新信息
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。

移动端友好：支持 Web 与移动端无缝访问，在手机上也能高效查看与回复。

🤖 安装部署

后端服务: FastAPI + Python 3.12+

前端界面: Vue.js 3 + Ant Design Vue

数据库存储: PostgreSQL + MinIO

知识存储: Milvus（向量数据库）+ Neo4j（图数据库）

智能体框架: LangGraph

文档解析: LightRAG + MinerU + PP-Structure-V3

容器编排: Docker Compose


  # 克隆代码，并初始化git clone --branch v0.4.4 --depth 1 https://github.com/xerrors/Yuxi-Know.gitcd Yuxi-Know
# Linux/macOS./scripts/init.sh
# Windows PowerShell.\scripts\init.ps1
# 然后需要使用 docker 启动项目docker compose up --build

安装前，请确保你的系统环境符合以下要求

操作系统：Linux

CPU 指令架构：x86_64

软件依赖：Docker 20.10.14 版本以上

软件依赖：Docker Compose 2.0.0 版本以上

推荐资源：1 核 CPU / 4 GB 内存 / 20 GB 磁盘

最低资源：1 核 CPU / 2 GB 内存 / 5 GB 磁盘

🌟 界面展示