企业知识图谱

版本: v4.5.0 | 状态: ✅ 生产就绪 | 8 IPC Handlers | 2 数据库表 | Phase 94

ChainlessChain 企业知识图谱提供自动实体抽取与关系发现（NER）、知识图谱可视化（力导向布局）、类 Cypher 图查询语言、推理引擎（规则推理 + GNN 图神经网络）以及 GraphRAG 深度融合，构建企业级知识管理和智能检索能力。

概述

企业知识图谱模块通过 NER 自动实体抽取、类 Cypher 图查询、规则+GNN 推理引擎和 GraphRAG 增强检索，为企业构建结构化知识网络。系统支持多种可视化布局（力导向/层级/环形/径向）和批量导入导出（文档/CSV/JSON/RDF），提供 8 个 IPC 接口和 2 张核心数据表，实现从知识录入到智能检索的完整闭环。

核心特性

• 🔍 自动实体抽取: NER 命名实体识别，自动从文档中提取人物、组织、地点、事件等实体及其关系
• 🌐 知识图谱可视化: 力导向图（Force-Directed Graph）布局，支持缩放、拖拽、聚类着色和关系过滤
• 💬 图查询语言: 类 Cypher 查询语法，支持模式匹配、路径查询、聚合统计
• 🧠 推理引擎: 规则推理（IF-THEN 规则链）+ GNN 图神经网络（链接预测、节点分类）
• 🔗 GraphRAG 深度融合: 知识图谱增强的 RAG 检索，结合图结构上下文提升生成质量

系统架构

┌─────────────────────────────────────────────────┐
│              应用层 (8 IPC Handlers)              │
│  add-entity │ query │ visualize │ reason │ ...   │
├─────────────┴───────┴───────────┴────────┴──────┤
│         Enterprise Knowledge Graph Engine        │
├──────────┬──────────┬──────────┬────────────────┤
│  NER     │ Cypher   │ 推理引擎  │ GraphRAG       │
│  实体    │ 图查询   │ Rules    │ 知识增强       │
│  抽取    │ 引擎     │ + GNN    │ RAG 检索       │
├──────────┴──────────┴──────────┴────────────────┤
│     可视化引擎 (力导向/层级/环形/径向布局)        │
├─────────────────────────────────────────────────┤
│  SQLite (kg_entities, kg_relations) + Embedding  │
└─────────────────────────────────────────────────┘

添加实体

const result = await window.electron.ipcRenderer.invoke("kg:add-entity", {
  entity: {
    name: "ChainlessChain",
    type: "Organization", // Person | Organization | Location | Event | Concept | Technology
    properties: {
      description: "去中心化个人 AI 管理系统",
      founded: "2024",
      domain: "AI + Blockchain",
    },
  },
  relations: [
    {
      target: "Electron",
      type: "USES_TECHNOLOGY",
      properties: { since: "v1.0" },
    },
    { target: "Vue3", type: "USES_TECHNOLOGY", properties: { since: "v1.0" } },
  ],
  autoExtract: false, // true 则从 properties.description 自动抽取更多关系
});
// {
//   success: true,
//   entityId: "ent-001",
//   relationsCreated: 2,
//   autoExtracted: { entities: 0, relations: 0 }
// }

图查询

const result = await window.electron.ipcRenderer.invoke("kg:query", {
  cypher:
    "MATCH (o:Organization)-[:USES_TECHNOLOGY]->(t:Technology) WHERE t.name = 'Vue3' RETURN o.name, o.domain",
  params: {},
  limit: 50,
  explain: false, // true 返回查询执行计划
});
// {
//   success: true,
//   results: [
//     { "o.name": "ChainlessChain", "o.domain": "AI + Blockchain" }
//   ],
//   count: 1,
//   executionTime: 12
// }

知识图谱可视化

const result = await window.electron.ipcRenderer.invoke("kg:visualize", {
  centerEntity: "ent-001",
  depth: 2, // 展开深度
  maxNodes: 200,
  layout: "force-directed", // force-directed | hierarchical | circular | radial
  filters: {
    entityTypes: ["Organization", "Technology", "Person"],
    relationTypes: ["USES_TECHNOLOGY", "FOUNDED_BY", "WORKS_AT"],
  },
  clustering: true, // 按实体类型聚类着色
});
// {
//   success: true,
//   graph: {
//     nodes: [
//       { id: "ent-001", label: "ChainlessChain", type: "Organization", cluster: 0, x: 120, y: 85 },
//       { id: "ent-002", label: "Electron", type: "Technology", cluster: 1, x: 250, y: 130 },
//       ...
//     ],
//     edges: [
//       { source: "ent-001", target: "ent-002", type: "USES_TECHNOLOGY", label: "USES_TECHNOLOGY" },
//       ...
//     ],
//     clusters: [{ id: 0, label: "Organization", color: "#1890ff" }, { id: 1, label: "Technology", color: "#52c41a" }]
//   },
//   totalNodes: 47,
//   totalEdges: 63
// }

推理

const result = await window.electron.ipcRenderer.invoke("kg:reason", {
  mode: "rules", // rules | gnn | hybrid
  query: {
    startEntity: "ent-001",
    targetRelation: "COMPETES_WITH", // 推理潜在竞争关系
  },
  rules: [
    {
      name: "same-domain-competitor",
      condition: "MATCH (a)-[:IN_DOMAIN]->(d)<-[:IN_DOMAIN]-(b) WHERE a <> b",
      conclusion: "(a)-[:COMPETES_WITH]->(b)",
      confidence: 0.7,
    },
  ],
  gnnConfig: {
    model: "GAT", // GAT | GCN | GraphSAGE
    task: "link_prediction", // link_prediction | node_classification
    threshold: 0.8,
  },
});
// {
//   success: true,
//   inferences: [
//     { source: "ChainlessChain", target: "CompetitorX", relation: "COMPETES_WITH", confidence: 0.85, method: "rules" },
//     { source: "ChainlessChain", target: "CompetitorY", relation: "COMPETES_WITH", confidence: 0.82, method: "gnn" }
//   ],
//   rulesApplied: 1,
//   gnnPredictions: 1
// }

GraphRAG 搜索

const result = await window.electron.ipcRenderer.invoke("kg:graphrag-search", {
  query: "ChainlessChain 使用了哪些核心技术，这些技术之间有什么关联？",
  mode: "global", // local | global | hybrid
  graphDepth: 3,
  maxContext: 5000, // tokens
  includeSubgraph: true,
  rerankByRelevance: true,
});
// {
//   success: true,
//   answer: "ChainlessChain 使用了 Electron、Vue3、SQLite 等核心技术...",
//   subgraph: { nodes: [...], edges: [...] },
//   sources: [
//     { entityId: "ent-001", name: "ChainlessChain", relevance: 0.95 },
//     { entityId: "ent-002", name: "Electron", relevance: 0.88 }
//   ],
//   graphContext: "Organization(ChainlessChain) -[USES_TECHNOLOGY]-> Technology(Electron, Vue3, SQLite) ..."
// }

导入知识

const result = await window.electron.ipcRenderer.invoke("kg:import", {
  source: "documents", // documents | csv | json | rdf
  config: {
    path: "/data/knowledge-base/",
    recursive: true,
    nerModel: "default", // default | custom
    batchSize: 100,
    deduplication: true,
  },
});
// { success: true, imported: { entities: 342, relations: 578, duplicatesSkipped: 23 }, duration: 45000 }

导出知识图谱

const result = await window.electron.ipcRenderer.invoke("kg:export", {
  format: "json", // json | rdf | csv | graphml
  filters: {
    entityTypes: ["Organization", "Technology"],
  },
  includeProperties: true,
});
// { success: true, exportPath: "/exports/knowledge-graph-20260310.json", entities: 342, relations: 578, size: 2097152 }

获取统计

const result = await window.electron.ipcRenderer.invoke("kg:get-stats");
// {
//   success: true,
//   stats: {
//     totalEntities: 1523,
//     totalRelations: 4217,
//     entityTypes: { Organization: 120, Person: 450, Technology: 280, Concept: 673 },
//     relationTypes: { USES_TECHNOLOGY: 350, WORKS_AT: 280, RELATED_TO: 1200, ... },
//     avgDegree: 5.5,
//     graphDensity: 0.0036,
//     lastUpdated: 1710100000000
//   }
// }

IPC 接口完整列表

知识图谱操作（8 个）

通道	功能	说明
kg:add-entity	添加实体	支持自动关系抽取（NER）
kg:query	图查询	类 Cypher 查询语法
kg:visualize	可视化	力导向/层级/环形/径向布局
kg:reason	推理	规则推理 + GNN 图神经网络
kg:graphrag-search	GraphRAG 搜索	知识图谱增强的 RAG 检索
kg:import	导入知识	文档/CSV/JSON/RDF 批量导入
kg:export	导出图谱	JSON/RDF/CSV/GraphML 导出
kg:get-stats	获取统计	实体数、关系数、图密度等

数据库 Schema

2 张核心表:

表名	用途	关键字段
kg_entities	实体存储	id, name, type, properties, embedding
kg_relations	关系存储	id, source_id, target_id, type, properties

kg_entities 表

CREATE TABLE IF NOT EXISTS kg_entities (
  id TEXT PRIMARY KEY,
  name TEXT NOT NULL,
  type TEXT NOT NULL,                  -- Person | Organization | Location | Event | Concept | Technology
  properties TEXT,                     -- JSON: 实体属性
  embedding BLOB,                      -- 实体向量嵌入（用于 GNN 和语义搜索）
  source TEXT,                         -- 来源文档或导入批次
  confidence REAL DEFAULT 1.0,
  created_at INTEGER DEFAULT (strftime('%s','now') * 1000),
  updated_at INTEGER DEFAULT (strftime('%s','now') * 1000)
);
CREATE INDEX IF NOT EXISTS idx_kg_ent_name ON kg_entities(name);
CREATE INDEX IF NOT EXISTS idx_kg_ent_type ON kg_entities(type);
CREATE UNIQUE INDEX IF NOT EXISTS idx_kg_ent_name_type ON kg_entities(name, type);

kg_relations 表

CREATE TABLE IF NOT EXISTS kg_relations (
  id TEXT PRIMARY KEY,
  source_id TEXT NOT NULL,
  target_id TEXT NOT NULL,
  type TEXT NOT NULL,                  -- USES_TECHNOLOGY | WORKS_AT | RELATED_TO | COMPETES_WITH | ...
  properties TEXT,                     -- JSON: 关系属性
  confidence REAL DEFAULT 1.0,
  inferred INTEGER DEFAULT 0,          -- 0: 显式 | 1: 推理得出
  inference_method TEXT,               -- rules | gnn | hybrid
  created_at INTEGER DEFAULT (strftime('%s','now') * 1000),
  FOREIGN KEY (source_id) REFERENCES kg_entities(id),
  FOREIGN KEY (target_id) REFERENCES kg_entities(id)
);
CREATE INDEX IF NOT EXISTS idx_kg_rel_source ON kg_relations(source_id);
CREATE INDEX IF NOT EXISTS idx_kg_rel_target ON kg_relations(target_id);
CREATE INDEX IF NOT EXISTS idx_kg_rel_type ON kg_relations(type);

配置

在 .chainlesschain/config.json 中配置：

{
  "knowledgeGraph": {
    "enabled": true,
    "ner": {
      "model": "default",
      "entityTypes": [
        "Person",
        "Organization",
        "Location",
        "Event",
        "Concept",
        "Technology"
      ],
      "minConfidence": 0.6,
      "batchSize": 100
    },
    "visualization": {
      "defaultLayout": "force-directed",
      "maxNodes": 500,
      "clustering": true,
      "physics": {
        "repulsion": -300,
        "springLength": 150,
        "damping": 0.9
      }
    },
    "reasoning": {
      "defaultMode": "hybrid",
      "gnn": {
        "model": "GAT",
        "embeddingDim": 128,
        "threshold": 0.8
      },
      "maxInferences": 100
    },
    "graphrag": {
      "enabled": true,
      "maxGraphDepth": 3,
      "contextTokenLimit": 5000,
      "rerankEnabled": true
    }
  }
}

故障排除

问题	解决方案
NER 抽取实体不准确	调高 minConfidence 阈值或使用自定义模型
可视化节点太多导致卡顿	减小 maxNodes 或增大展开深度限制
Cypher 查询语法错误	检查节点/关系标签拼写，确认语法与 Cypher 标准一致
GNN 推理结果置信度低	增加训练数据量，确保图谱中有足够的标注关系
GraphRAG 检索结果不相关	调整 graphDepth 和 contextTokenLimit 参数

实体抽取结果为空

现象: kg:import 或 kg:add-entity（autoExtract: true）未抽取到任何实体。

排查步骤:

1. 确认输入文档内容为非空文本，且语言为 NER 模型支持的语言
2. 检查 ner.minConfidence 配置是否设置过高（默认 0.6），过高会过滤掉低置信度实体
3. 确认 ner.entityTypes 列表包含目标实体类型（如 Person、Technology）
4. 对于短文本或专业术语密集的内容，NER 效果有限，建议配合手动添加

图查询超时

现象: kg:query 执行时间过长或返回超时错误。

排查步骤:

1. 检查查询是否包含未限制的全图遍历（添加 LIMIT 子句限制结果数量）
2. 确认 kg_entities 和 kg_relations 表上的索引完整（source_id、target_id、type）
3. 对于包含大量关系的实体，使用 filters 限制查询的关系类型范围
4. 通过 kg:get-stats 查看图谱规模，节点/边过多时考虑分域查询

使用示例

从文档自动抽取实体与关系

// 批量导入文档并自动抽取
const result = await window.electron.ipcRenderer.invoke("kg:import", {
  source: "documents",
  config: { path: "./docs/", recursive: true, deduplication: true },
});
// result.imported = { entities: 342, relations: 578 }

// 对单个实体开启自动关系抽取
await window.electron.ipcRenderer.invoke("kg:add-entity", {
  entity: { name: "Vue3", type: "Technology", properties: { description: "渐进式JavaScript框架..." } },
  autoExtract: true,
});

图查询与推理

// 查询某技术的所有使用者
const users = await window.electron.ipcRenderer.invoke("kg:query", {
  cypher: "MATCH (o)-[:USES_TECHNOLOGY]->(t) WHERE t.name = 'Electron' RETURN o.name, o.type",
});

// 推理潜在关系
const inferred = await window.electron.ipcRenderer.invoke("kg:reason", {
  mode: "hybrid",
  query: { startEntity: "ent-001", targetRelation: "RELATED_TO" },
});
// inferred.inferences 包含规则和 GNN 推理出的新关系

关键文件

文件	职责
desktop-app-vue/src/main/enterprise/knowledge-graph.js	知识图谱核心引擎
desktop-app-vue/src/main/enterprise/ner-extractor.js	NER 命名实体抽取
desktop-app-vue/src/main/enterprise/cypher-query-engine.js	类 Cypher 图查询引擎
desktop-app-vue/src/main/enterprise/reasoning-engine.js	推理引擎（Rules + GNN）
desktop-app-vue/src/main/enterprise/graphrag-search.js	GraphRAG 知识增强检索
desktop-app-vue/src/main/enterprise/kg-ipc.js	知识图谱 8 个 IPC Handler

故障排查

常见问题

症状	可能原因	解决方案
实体抽取结果为空	输入文本格式不支持或 NER 模型未加载	确认输入为纯文本/Markdown，检查模型状态 kg model-status
关系重复导致图谱膨胀	去重策略未启用或实体归一化不完整	启用 deduplication，执行 kg entity-merge
图查询超时	查询复杂度高或索引缺失	简化查询路径深度，执行 kg index-rebuild
知识图谱导入失败	数据格式不符合 schema 或文件过大	验证导入文件格式，分批导入大文件
实体关系链断裂	中间实体被删除或合并不当	执行 kg integrity-check 修复断裂关系

常见错误修复

错误: ENTITY_EXTRACTION_EMPTY 实体抽取为空

# 检查 NER 模型状态
chainlesschain kg model-status

# 使用调试模式查看抽取过程
chainlesschain kg extract --input <file> --debug

错误: DUPLICATE_RELATIONS 关系重复

# 执行实体合并去重
chainlesschain kg entity-merge --threshold 0.85

# 查看重复关系统计
chainlesschain kg stats --duplicates

错误: QUERY_TIMEOUT 图查询超时

# 重建图索引
chainlesschain kg index-rebuild

# 限制查询深度重试
chainlesschain kg query "<query>" --max-depth 3

配置参考

在 .chainlesschain/config.json 中完整配置企业知识图谱：

{
  "knowledgeGraph": {
    // 全局开关
    "enabled": true,

    // NER 命名实体抽取
    "ner": {
      "model": "default",              // "default" | "custom" — 自定义模型需指定 modelPath
      "modelPath": null,               // 自定义 NER 模型路径（model="custom" 时必填）
      "entityTypes": [
        "Person", "Organization", "Location",
        "Event", "Concept", "Technology"
      ],
      "minConfidence": 0.6,            // 低于此值的实体标记为待审核
      "batchSize": 100,                // 批量导入时每批处理文档数
      "maxEntitiesPerDoc": 500         // 单文档最大抽取实体数，防止超长文档爆炸
    },

    // 可视化引擎
    "visualization": {
      "defaultLayout": "force-directed", // "force-directed" | "hierarchical" | "circular" | "radial"
      "maxNodes": 500,                   // 单次可视化最大节点数
      "clustering": true,                // 按实体类型聚类着色
      "physics": {
        "repulsion": -300,               // 节点排斥力（负值）
        "springLength": 150,             // 弹簧连接长度（px）
        "damping": 0.9                   // 阻尼系数（0~1，越大收敛越快）
      },
      "edgeRenderThreshold": 2000        // 边数超过此值时降级为简化渲染
    },

    // 推理引擎
    "reasoning": {
      "defaultMode": "hybrid",           // "rules" | "gnn" | "hybrid"
      "gnn": {
        "model": "GAT",                  // "GAT" | "GCN" | "GraphSAGE"
        "embeddingDim": 128,             // 向量维度
        "threshold": 0.8,               // 链接预测最小置信度
        "trainingEpochs": 50            // 增量训练轮数（图谱数据变化时触发）
      },
      "maxInferences": 100,             // 单次推理最大结果数，防止规则链爆炸
      "inferredRelationTTL": 86400000   // 推理关系 TTL（ms），过期后重新计算
    },

    // GraphRAG 搜索
    "graphrag": {
      "enabled": true,
      "maxGraphDepth": 3,               // 从锚点实体展开的最大跳数
      "contextTokenLimit": 5000,        // 注入 LLM 的图谱上下文最大 token 数
      "rerankEnabled": true,            // 按相关度对检索结果重排序
      "mode": "hybrid"                  // "local" | "global" | "hybrid"
    },

    // 导入导出
    "import": {
      "deduplication": true,            // 基于 (name, type) 唯一索引去重
      "autoExtractRelations": false,    // 导入时自动触发 NER 关系抽取
      "maxFileSizeMB": 100             // 单文件最大导入体积
    }
  }
}

关键配置项速查

参数	默认值	说明
ner.minConfidence	0.6	NER 置信度下限，越高精度越高但召回率越低
visualization.maxNodes	500	超出此值自动截断，避免浏览器渲染卡顿
reasoning.maxInferences	100	推理结果上限，防止规则链无限扩散
graphrag.contextTokenLimit	5000	图谱上下文 token 预算，影响 LLM 生成质量
reasoning.inferredRelationTTL	86400000	推理关系有效期（24 小时），到期重算

---

性能指标

典型场景基准（8 核 / 16 GB RAM）

操作	图谱规模	典型耗时	说明
NER 实体抽取	单文档 ≤ 10 KB	< 200 ms	使用默认模型
批量导入	100 文档 / 批	30–60 s	含 NER + 去重
类 Cypher 查询	1 万节点 / 5 万边	< 50 ms	有索引，简单模式匹配
类 Cypher 查询	10 万节点 / 50 万边	< 500 ms	有索引，深度 ≤ 3
可视化渲染	500 节点 / 2000 边	< 100 ms	力导向布局初始化
GNN 推理（GAT）	1 万节点	1–3 s	链接预测，GPU 可降至 < 200 ms
GraphRAG 搜索	全图	1–5 s	含图遍历 + LLM 生成
JSON 导出	1 万实体 / 5 万关系	2–5 s	含序列化

容量建议

图谱规模	推荐配置	备注
< 10 万节点	4 核 / 8 GB	默认配置即可
10–50 万节点	8 核 / 16 GB	建议启用 WAL 模式 + 增大索引缓存
> 50 万节点	16 核 / 32 GB + SSD	考虑分域查询和图分片策略

性能调优建议

• 索引维护: 大批量导入后执行 kg index-rebuild 重建统计信息，提升查询计划质量
• 查询优化: Cypher 查询添加 LIMIT 子句；路径查询深度控制在 ≤ 4 跳以内
• 可视化分页: maxNodes 调低至 200 以内可显著提升前端渲染帧率
• GNN 加速: 启用 CUDA 时 GAT 推理可加速 10–15 倍，通过 CUDA_VISIBLE_DEVICES 指定 GPU
• GraphRAG 缓存: contextTokenLimit 降低可减少 LLM token 消耗，同时缩短响应时间

---

测试覆盖率

测试文件结构

desktop-app-vue/tests/unit/enterprise/
├── knowledge-graph.test.js          # 核心引擎单元测试（实体 CRUD、图查询）
├── ner-extractor.test.js            # NER 抽取准确率和边界测试
├── cypher-query-engine.test.js      # Cypher 解析器 + 执行器测试
├── reasoning-engine.test.js         # 规则推理 + GNN 链接预测测试
├── graphrag-search.test.js          # GraphRAG 检索 + 上下文注入测试
└── kg-ipc.test.js                   # 8 个 IPC Handler 集成测试

测试覆盖列表

测试文件	覆盖功能	测试数
knowledge-graph.test.js	实体添加/查询/删除、关系 CRUD、去重逻辑	38
ner-extractor.test.js	6 种实体类型抽取、置信度过滤、批处理	24
cypher-query-engine.test.js	MATCH 模式、WHERE 过滤、RETURN 投影、路径查询、聚合	31
reasoning-engine.test.js	IF-THEN 规则链、GNN 链接预测、hybrid 模式、maxInferences 限制	27
graphrag-search.test.js	local/global/hybrid 模式、上下文截断、来源追溯	19
kg-ipc.test.js	8 个 IPC 通道参数校验、错误响应格式	22
合计		161

关键测试场景

✅ kg:add-entity 自动关系抽取（autoExtract: true）正确触发 NER
✅ kg:query 类 Cypher MATCH 模式匹配多跳路径
✅ kg:query 超时保护：深度 > 5 跳自动拒绝，返回 QUERY_DEPTH_EXCEEDED
✅ kg:visualize force-directed 布局节点坐标非零（物理引擎稳定收敛）
✅ kg:reason 规则链循环检测：存在循环规则时不无限递归
✅ kg:reason GNN threshold 过滤：低置信度预测不出现在结果中
✅ kg:graphrag-search contextTokenLimit 截断：超出 token 预算时截断最低相关度片段
✅ kg:import CSV/JSON/RDF/文档四种格式导入均可正确解析
✅ kg:export filters.entityTypes 过滤生效，敏感类型实体不出现在导出文件
✅ kg:get-stats 返回 graphDensity 计算正确（关系数 / (节点数 × (节点数 - 1))）
✅ NER minConfidence 低于阈值的实体标记 pendingReview: true 而非被丢弃
✅ 唯一索引 (name, type) 阻止重复实体，返回现有实体 ID
✅ 推理关系 inferred: 1 与显式关系区分存储，查询时可单独过滤

---

安全考虑

数据访问控制

• 实体级权限: 敏感实体（如人物、组织内部信息）应设置访问权限标签，图查询时根据用户角色过滤不可见实体
• 查询审计: 所有 Cypher 查询操作记录到审计日志中，包含查询内容、执行者和返回结果数量，支持安全审计
• 导出脱敏: 导出知识图谱时支持按实体类型过滤（filters.entityTypes），避免将内部敏感实体导出到外部

NER 与推理安全

• 置信度阈值: NER 自动抽取的实体设置最低置信度（minConfidence: 0.6），低于阈值的实体标记为待审核状态，防止错误实体污染图谱
• 推理结果标注: GNN 和规则推理产生的关系标记 inferred: 1 和 inference_method，与人工标注的显式关系区分，避免推理错误被当作事实
• 推理数量限制: maxInferences 限制单次推理最大结果数（默认 100），防止规则链爆炸导致性能问题和大量噪声关系

GraphRAG 安全

• 上下文长度控制: contextTokenLimit 限制注入 LLM 的图谱上下文大小（默认 5000 tokens），防止过大上下文导致 prompt injection 风险
• 来源可追溯: GraphRAG 搜索结果包含 sources 字段，标注每个信息片段的来源实体和相关度，确保生成内容可溯源
• 数据不出域: 知识图谱数据存储在本地 SQLite 中，GraphRAG 查询在本地完成，图谱数据不上传到外部 LLM 服务

导入安全

• 去重校验: 批量导入时启用 deduplication: true，通过 (name, type) 唯一索引防止重复实体，保持图谱一致性
• 格式验证: 导入 RDF/JSON/CSV 文件时自动校验数据格式和必填字段，拒绝格式不合规的数据

相关文档

• 知识库管理
• RAG 搜索
• BI 智能分析
• 低代码/无代码平台