月悟 | LunarInsight

A quiet knowledge graph engine for insight.
在静夜中沉淀知识、联结万象、点亮顿悟。月月一悟，书写你的知光之路。

月落心海织星图，知光点点照书途； 月圆一悟开幽梦，书卷回眸拾旧初。

语言: English | 简体中文

🖼️ 项目截图

点击查看截图

仪表盘

知识图谱统计概览和最近活动

知识图谱可视化

使用 Cytoscape.js 进行交互式图谱探索

知识卡片管理

创建和管理带有丰富元数据的知识卡片

文档上传与处理

上传文档，让 AI 自动提取知识

📖 目录

项目简介
核心特性
知识图谱处理算法
系统架构
核心模块
技术栈
快速开始
API 概览
数据模型
使用示例
路线图
文档资源
贡献指南
故障排查
开源协议

1) 项目简介

LunarInsight（月悟） 是一个 AI 驱动的开源个人知识图谱系统，将你的文档转化为互联的知识网络。采用 Neo4j GraphRAG 技术，实现从"三元组堆叠"到"全文理解型知识图谱"的升级，提供强大的知识探索与分析能力。

🤖 AI 驱动：支持 12 种 AI 提供商（OpenAI、Anthropic、DeepSeek、通义千问、Ollama 等）
📚 文档处理：上传 PDF、Markdown 或纯文本文件，自动提取知识
🕸️ 知识图谱：构建和可视化概念间的语义关系
🧠 GraphRAG：基于 Neo4j GraphRAG 的智能检索与问答（v2.0）
📖 篇章理解：从句子级三元组升级到篇章结构 + 论断 + 主题社区
💡 智能卡片：手动创建或通过 AI 提取管理知识卡片
🔍 查询探索：使用 Cytoscape.js 进行交互式图谱可视化
🌐 双语支持：完整的中英文界面

2) 核心特性

🎯 AI 智能分析
- 深度语义理解，支持自定义提示词
- 丰富的概念提取，包含类别、领域、重要性级别
- 语义关系识别（因果、包含、比较等）
- 知识洞察与理解生成
- 自动提示词优化以获得更好结果
🧠 GraphRAG 智能检索（v2.0）
- 8 阶段知识图谱构建流程（篇章切分、指代消解、实体链接、论断抽取、主题社区、谓词治理、幂等落库、GraphRAG 检索）
- 主题优先召回 + 向量混合检索 + 图遍历
- 论证链生成：支持论断间的 SUPPORTS/CAUSES/CONTRADICTS 关系
- 四级证据回溯：doc → chunk → section → sentence
- 谓词治理：标准谓词白名单 + 本体约束 + 反馈闭环
- 基于 Neo4j GDS 的主题社区检测与摘要生成
🗂️ 灵活的知识管理
- 手动创建或 AI 提取知识卡片
- 标签系统，支持别名和关联概念
- 领域和类别组织
- 重要性级别（低、中、高）
- 通过 REST API 完整的增删改查操作
🔌 多提供商 AI 支持
- 12 种 AI 提供商：OpenAI、Anthropic、Google Gemini、DeepSeek、通义千问、智谱 GLM、Kimi、文心一言、MiniMax、豆包、Ollama、Mock
- 统一配置接口
- 轻松切换提供商
- 通过 Ollama 支持本地模型
🎨 现代化 UI
- Vue 3 + Vite + Naive UI
- 使用 Cytoscape.js 的交互式图谱可视化
- 实时处理状态
- 响应式设计
- 暗黑模式（即将推出）
🔐 隐私与安全
- 本地优先架构
- 自托管部署
- 数据不离开你的基础设施
- 可选的身份认证（JWT + RBAC 计划中）

知识图谱处理算法

LunarInsight 采用 8 阶段知识图谱构建流程，实现从"三元组堆叠"到"全文理解型知识图谱"的升级。该算法基于 Neo4j GraphRAG 技术，能够从文档中提取篇章结构、论断、主题社区等深层语义信息。

核心理念：从"摘点"到"读篇章"

维度	传统方法	LunarInsight v2.0
构建粒度	句子级三元组	篇章结构 + 论断 + 主题社区
检索方式	关键词匹配	主题优先 + 向量混合 + 图遍历
回答质量	段落拼接	论证链 + 证据引用 + 全局视角
可维护性	谓词自由生长	本体约束 + 治理反馈闭环
可解释性	无证据回溯	四级回溯（doc → chunk → section → sentence）

8 阶段构建流程

flowchart TB
    subgraph Stage0["阶段 0: 篇章切分"]
        S0[输入: 原始文档<br/>输出: 章节树 + 语义块 Chunk]
    end
    
    subgraph Stage1["阶段 1: 指代消解"]
        S1[输入: 语义块文本<br/>输出: 归一化文本 + Alias 映射表]
    end
    
    subgraph Stage2["阶段 2: 实体链接"]
        S2[方法: BM25 + 向量候选生成<br/>5 特征精排 + 本体约束<br/>输出: 已链接的 Concept + 置信度]
    end
    
    subgraph Stage3["阶段 3: 论断抽取"]
        S3[方法: 滑动窗口 + LLM 识别<br/>输出: Claim 节点 + 关系<br/>SUPPORTS/CAUSES/CONTRADICTS]
    end
    
    subgraph Stage4["阶段 4: 主题社区"]
        S4[方法: Neo4j GDS Louvain/Leiden<br/>LLM 生成主题摘要<br/>输出: Theme 节点 + 社区归属]
    end
    
    subgraph Stage5["阶段 5: 谓词治理"]
        S5[方法: 标准谓词白名单<br/>自然语言映射 + 类型约束<br/>输出: 规范化三元组 + 待复核队列]
    end
    
    subgraph Stage6["阶段 6: 幂等落库"]
        S6[方法: 确定性键 哈希<br/>build_version + 证据四级回溯<br/>输出: 稳定、可回滚的图谱]
    end
    
    subgraph Stage7["阶段 7: GraphRAG 检索"]
        S7[方法: 主题优先召回<br/>证据扩展 + 限域生成 论证链<br/>输出: 结构化答案 + 证据锚点]
    end
    
    subgraph Stage8["阶段 8: 评价与反馈"]
        S8[方法: 前端三键反馈<br/>合并/纠错/非此义<br/>输出: 指标看板 + 自我修复]
    end
    
    S0 --> S1
    S1 --> S2
    S2 --> S3
    S3 --> S4
    S4 --> S5
    S5 --> S6
    S6 --> S7
    S7 --> S8

阶段详解

阶段 0: 篇章切分 (Semantic Chunker)

目标: 将文档切分为语义连贯的块（Chunk），保留章节结构和元数据。

核心方法:

提取章节树（标题层级识别）
句子级切分（spaCy/NLTK）
滑动窗口（3-5 句，步长 2）
保留元数据：section_path、page_num、sentence_ids

输出: Chunk 节点，包含文本、章节路径、句子索引、向量嵌入。

阶段 1: 指代消解 (Coreference Resolution)

目标: 归一化文本，解决代词和简称问题，生成别名映射表。

核心方法:

默认 NLP 指代消解（英文 AllenNLP coref-spanbert-large；中文 HanLP + 启发式）
强约束括号别名（"人工智能（AI）" → {AI: 人工智能}）
不改写原文，产出 alias_map（供实体链接使用），LLM 作为回退；规则模式已弃用

输出: 归一化文本 + Alias 映射表。

阶段 2: 实体链接 (Entity Linker)

目标: 将文本中的实体提及链接到知识图谱中的 Concept 节点。

核心方法（基于 Neo4j GraphRAG）:

候选生成: BM25 + 向量相似度搜索
精排: 5 特征融合（文本相似度、向量相似度、上下文匹配、共现频率、置信度）
本体约束: 检查节点类型和关系类型是否符合本体定义
阈值控制:
- 置信度 ≥ 0.85：直接链接
- 0.65 ≤ 置信度 < 0.85：人工复核
- 置信度 < 0.65：创建新 Concept

输出: 已链接的 Concept 节点 + 置信度分数。

阶段 3: 论断抽取 (Claim Extractor)

目标: 从语义块中提取论断（Claim），识别论断间的逻辑关系。

核心方法:

滑动窗口扫描（跨句分析）
LLM 识别论断类型：fact（事实）、hypothesis（假设）、conclusion（结论）
提取论断关系：
- SUPPORTS: 支持关系
- CONTRADICTS: 矛盾关系
- CAUSES: 因果关系
- COMPARES_WITH: 比较关系

输出: Claim 节点 + 论断关系边。

阶段 4: 主题社区构建 (Theme Builder)

目标: 使用图算法检测主题社区，生成主题摘要。

核心方法（基于 Neo4j GDS）:

社区检测: Louvain/Leiden 算法，基于概念共现图
主题生成: LLM 为每个社区生成主题标签和摘要
层级构建: 支持多级主题（粗粒度/细粒度）

输出: Theme 节点 + BELONGS_TO_THEME 关系。

阶段 5: 谓词治理 (Predicate Governor)

目标: 规范化关系类型，防止谓词爆炸。

核心方法:

标准谓词白名单: 预定义允许的关系类型（如 USES、IS_A、PART_OF、CREATES）
自然语言映射: 将 LLM 输出的自然语言关系映射到标准谓词
类型约束: 检查关系两端节点类型是否符合本体定义
反馈闭环: 用户反馈更新映射表

输出: 规范化三元组 + 待复核队列。

阶段 6: 幂等落库 (Graph Service)

目标: 确保构建过程的幂等性和可回滚性。

核心方法:

确定性键: 使用哈希值（文档内容 + 配置）作为唯一标识
版本控制: build_version 字段记录每次构建版本
证据四级回溯: 每个节点/关系都记录证据路径
- doc_id → chunk_id → section_path → sentence_ids
增量更新: 支持增量构建，只更新变更部分

输出: 稳定、可回滚的知识图谱。

阶段 7: GraphRAG 检索 (Query Service)

目标: 基于知识图谱进行智能检索和问答。

核心方法:

主题优先召回: 根据查询主题匹配 Theme，召回相关 Claim 和 Concept
向量混合检索: 结合向量相似度搜索和关键词匹配
证据扩展: 沿着 SUPPORTS/CAUSES 关系扩展论证链
限域生成: 在召回的证据范围内生成答案，包含证据锚点

输出: 结构化答案 + 证据锚点（四级回溯路径）。

阶段 8: 评价与反馈 (Metrics + Feedback Loop)

目标: 收集用户反馈，持续优化知识图谱质量。

核心方法:

前端三键反馈:
- ✅ 合并: 两个概念应合并为一个
- ❌ 纠错: 关系或属性错误
- ⚠️ 非此义: 实体链接错误
自动修复: 根据反馈更新 Alias 映射表和谓词映射
指标看板: 展示构建质量指标（链接准确率、论断置信度等）

输出: 指标看板 + 自我修复的知识图谱。

技术亮点

Neo4j GraphRAG 集成: 直接使用官方 KnowledgeGraphBuilder、Neo4jVectorStore、CommunityDetector 等组件
向量索引支持: 利用 Neo4j 5.15+ 的向量索引，实现高效语义检索
图算法增强: 使用 Neo4j GDS 进行社区检测和图分析
四级证据回溯: 每个知识片段都可以追溯到原始文档的具体位置
论证链生成: 支持论断间的逻辑关系，生成完整的论证链
本体约束: 通过谓词白名单和类型约束，确保知识图谱的可维护性

数据模型

新增节点类型:

Chunk: 语义块（包含文本、章节路径、句子索引、向量嵌入）
Claim: 论断（包含文本、类型、置信度、证据位置）
Theme: 主题社区（包含标签、摘要、关键词、社区 ID）

新增关系类型:

CONTAINS: 文档包含块
CONTAINS_CLAIM: 块包含论断
SUPPORTS/CONTRADICTS/CAUSES/COMPARES_WITH: 论断关系
BELONGS_TO_THEME: 概念/论断归属主题
EVIDENCE_FROM: 证据回溯关系

详细的数据模型定义请参考数据模型章节。

3) 系统架构

flowchart TB
    subgraph Frontend["前端 (Vue 3)"]
        UI[Web UI<br/>Naive UI + Cytoscape.js]
    end
    
    subgraph Backend["后端 (FastAPI)"]
        API[REST API]
        Parser[文档解析器<br/>PDF/MD/TXT]
        AIService[AI 服务<br/>多提供商支持]
        Chunker[篇章切分器]
        Coref[指代消解器]
        EntityLinker[实体链接器<br/>Neo4j GraphRAG]
        ClaimExtractor[论断抽取器]
        ThemeBuilder[主题社区构建器<br/>Neo4j GDS]
        GraphRAG[GraphRAG 检索器]
        GraphService[图谱服务]
    end
    
    subgraph Storage["数据存储"]
        Neo4j[(Neo4j<br/>知识图谱<br/>向量索引)]
        Redis[(Redis<br/>队列 & 缓存)]
        Files[文件存储]
    end
    
    subgraph AI["AI 提供商"]
        OpenAI[OpenAI]
        Anthropic[Anthropic]
        Others[DeepSeek/通义千问<br/>GLM/Ollama...]
    end
    
    UI -->|上传/查询| API
    API --> Parser
    Parser --> Chunker
    Chunker --> Coref
    Coref --> EntityLinker
    EntityLinker --> ClaimExtractor
    ClaimExtractor --> ThemeBuilder
    ThemeBuilder --> GraphService
    GraphService --> Neo4j
    
    API --> GraphRAG
    GraphRAG --> Neo4j
    GraphRAG --> AIService
    EntityLinker --> AIService
    ClaimExtractor --> AIService
    ThemeBuilder --> AIService
    API --> Redis
    Parser --> Files
    
    AIService -.->|API 调用| OpenAI
    AIService -.->|API 调用| Anthropic
    AIService -.->|API 调用| Others
    
    Neo4j -->|查询结果| API
    API -->|JSON 响应| UI

4) 核心模块

前端（Vue 3）

🏠 仪表盘：知识图谱统计概览和最近活动
📤 知识构建：文档上传和 AI 驱动处理
🃏 知识卡片：手动创建和管理知识卡片
🕸️ 图谱可视化：使用 Cytoscape.js 进行交互式图谱探索
🔍 查询：高级图谱查询的 Cypher 查询界面
⚙️ 设置：系统配置和 AI 提供商设置
📊 状态：实时处理状态和系统健康

后端（FastAPI）

文档处理：多格式解析器（PDF、Markdown、TXT）
AI 集成：12+ AI 提供商的统一接口
知识提取：智能概念和关系提取
GraphRAG 构建：8 阶段知识图谱构建流程
- 篇章切分（Chunker）：章节树 + 语义块
- 指代消解（Coref）：归一化文本 + Alias 映射
- 实体链接（Entity Linker）：Neo4j GraphRAG 集成
- 论断抽取（Claim Extractor）：论证链构建
- 主题社区（Theme Builder）：Neo4j GDS 社区检测
- 谓词治理（Predicate Governor）：本体约束
- 幂等落库（Graph Service）：证据回溯
- GraphRAG 检索（Query Service）：智能问答
图谱管理：Neo4j 增删改查操作和查询执行
队列管理：使用 Redis 的异步处理
API 路由：所有操作的 RESTful 端点

5) 技术栈

层级	技术
前端	Vue 3, TypeScript, Vite, Naive UI, Cytoscape.js, Axios, Vue-i18n, Pinia
后端	Python 3.11+, FastAPI, Pydantic v2, Uvicorn
数据库	Neo4j 5.15+ (Bolt), Redis 7.x
GraphRAG	neo4j-graphrag, graphdatascience (GDS), sentence-transformers
AI/ML	OpenAI, Anthropic, Google Gemini, DeepSeek, 阿里云通义千问, 智谱GLM, 月之暗面Kimi, 百度文心一言, MiniMax, 字节豆包, Ollama
文档处理	PyMuPDF (PDF), Markdown, 纯文本, spaCy/NLTK (句子切分)
向量搜索	Neo4j 向量索引 (text-embedding-3-small, 1536维)
容器化	Docker, Docker Compose
未来计划	OpenTelemetry, Prometheus

6) 快速开始

先决条件

Docker & Docker Compose（推荐）
或 Python 3.11+、Node.js 18+、Neo4j 5.15+（支持向量索引）、Redis 7.x（用于本地开发）

方式 A：Docker Compose（推荐）

# 1. 克隆仓库
git clone https://github.com/yourusername/LunarInsight.git
cd LunarInsight

# 2. 配置环境变量
cat > .env << EOF
# AI 提供商配置（选择一个）
AI_PROVIDER=openai
AI_API_KEY=sk-your-api-key-here

# 或使用 Ollama 本地模型
# AI_PROVIDER=ollama
# AI_BASE_URL=http://host.docker.internal:11434

# Neo4j 配置
NEO4J_URI=bolt://neo4j:7687
NEO4J_USER=neo4j
NEO4J_PASS=test1234

# Redis 配置
REDIS_URL=redis://redis:6379/0

# GraphRAG 配置（v2.0）
ENABLE_NEO4J_GRAPHRAG=true
ENABLE_VECTOR_SEARCH=true
LLM_MODEL=gpt-4o-mini
EMBEDDING_MODEL=text-embedding-3-small
EOF

# 3. 启动所有服务
docker-compose up -d

# 4. 访问应用
# - 前端：http://localhost:8788
# - API 文档：http://localhost:8000/docs
# - Neo4j 浏览器：http://localhost:7474 (neo4j/test1234)

方式 B：本地开发

# 1. 使用 Docker 启动 Neo4j 和 Redis
docker-compose up -d neo4j redis

# 2. 设置后端
cd server
python -m venv venv
source venv/bin/activate  # Windows: venv\Scripts\activate
pip install -r requirements.txt

# （可选但推荐）安装 Stage1 指代消解依赖
# AllenNLP + HanLP（首次运行会下载较大模型）
pip install "allennlp<3" "allennlp-models<3" hanlp
# 如未安装 PyTorch，请根据环境安装（CPU 版本示例）：
# pip install torch --index-url https://download.pytorch.org/whl/cpu

# 配置环境变量
export NEO4J_URI=bolt://localhost:7687
export NEO4J_USER=neo4j
export NEO4J_PASS=test1234
export AI_PROVIDER=openai
export AI_API_KEY=sk-your-key

# 启动后端
uvicorn main:app --reload --port 8000

# 3. 设置前端（在另一个终端）
cd app/vue
npm install
npm run dev  # 在 http://localhost:5173 启动

📖 详细指南

AI 提供商配置 - 所有 12 个 AI 提供商的设置
快速开始指南 - 全面的设置说明
环境变量 - 完整配置参考

7) API 概览

文档与知识管理

POST   /uploads/file               # 上传文件 (PDF/MD/TXT)
POST   /uploads/text               # 上传文本内容
GET    /uploads/{file_id}          # 获取文件信息
POST   /ingest/{document_id}       # 启动 AI 提取
GET    /ingest/status/{job_id}     # 查看处理状态

知识卡片

POST   /knowledge-cards            # 创建知识卡片
GET    /knowledge-cards            # 列出卡片（支持过滤）
GET    /knowledge-cards/{card_id}  # 获取卡片详情
PUT    /knowledge-cards/{card_id}  # 更新卡片
DELETE /knowledge-cards/{card_id}  # 删除卡片

图谱操作

GET    /graph/query                # 执行 Cypher 查询
GET    /graph/nodes                # 获取所有节点
GET    /graph/edges                # 获取所有关系
GET    /graph/stats                # 获取图谱统计

GraphRAG 查询（v2.0）

POST   /graphrag/query             # GraphRAG 智能问答
POST   /graphrag/feedback/merge    # 合并概念反馈
POST   /graphrag/feedback/correct  # 纠错关系反馈
POST   /graphrag/feedback/unlink   # 取消链接反馈

系统

GET    /settings/ai-providers      # 列出可用的 AI 提供商
GET    /settings/config            # 获取系统配置
PUT    /settings/config            # 更新配置
GET    /                           # API 健康检查
GET    /docs                       # OpenAPI 文档

📚 完整 API 文档：运行时访问 http://localhost:8000/docs

8) 数据模型

节点类型

Concept：核心知识实体
- 属性：name, description, domain, category, importance, tags, created_at, updated_at, source, embedding (向量)
Document：上传的文档
- 属性：id, filename, checksum, kind, size, created_at, status
Chunk：语义块（v2.0）
- 属性：id, text, doc_id, section_path, page_num, sentence_ids, embedding (向量)
Claim：论断（v2.0）
- 属性：id, text, doc_id, chunk_id, sentence_ids, confidence, claim_type (fact/hypothesis/conclusion)
Theme：主题社区（v2.0）
- 属性：id, label, summary, level, keywords, community_id, member_count
Alias：概念的别名
- 属性：surface_form, canonical, doc_id, confidence

关系类型

MENTIONS：文档提及概念
- 属性：evidence, offset, confidence
CONTAINS：文档包含语义块（v2.0）
- 无属性
CONTAINS_CLAIM：语义块包含论断（v2.0）
- 无属性
SUPPORTS / CONTRADICTS / CAUSES / COMPARES_WITH：论断间关系（v2.0）
- 无属性
BELONGS_TO_THEME：概念/论断归属主题（v2.0）
- 无属性
EVIDENCE_FROM：概念/论断的证据来源（v2.0）
- 属性：doc_id, section_path, sentence_ids
DERIVES_FROM：概念派生自另一概念
- 属性：relationship_type, description
RELATED_TO：概念相关
- 属性：strength, context
REFERS_TO：别名指向概念
- 无属性

Neo4j 约束与索引

# 约束
CREATE CONSTRAINT concept_name_unique IF NOT EXISTS
  FOR (c:Concept) REQUIRE c.name IS UNIQUE;

CREATE CONSTRAINT document_id_unique IF NOT EXISTS
  FOR (d:Document) REQUIRE d.id IS UNIQUE;

CREATE CONSTRAINT chunk_id_unique IF NOT EXISTS
  FOR (c:Chunk) REQUIRE c.id IS UNIQUE;

CREATE CONSTRAINT claim_id_unique IF NOT EXISTS
  FOR (cl:Claim) REQUIRE cl.id IS UNIQUE;

CREATE CONSTRAINT theme_id_unique IF NOT EXISTS
  FOR (t:Theme) REQUIRE t.id IS UNIQUE;

# 索引
CREATE INDEX document_checksum IF NOT EXISTS
  FOR (d:Document) ON (d.checksum);

CREATE INDEX concept_domain IF NOT EXISTS
  FOR (c:Concept) ON (c.domain);

CREATE INDEX concept_category IF NOT EXISTS
  FOR (c:Concept) ON (c.category);

CREATE INDEX alias_canonical IF NOT EXISTS
  FOR (a:Alias) ON (a.canonical);

# 向量索引（Neo4j 5.11+）
CALL db.index.vector.createNodeIndex(
  'concept_embeddings',
  'Concept',
  'embedding',
  1536,
  'cosine'
);

CALL db.index.vector.createNodeIndex(
  'chunk_embeddings',
  'Chunk',
  'embedding',
  1536,
  'cosine'
);

9) 使用示例

1. 上传并处理文档

# 上传文件
curl -X POST "http://localhost:8000/uploads/file" \
  -F "file=@document.pdf"

# 使用自定义提示启动 AI 提取
curl -X POST "http://localhost:8000/ingest/{document_id}" \
  -H "Content-Type: application/json" \
  -d '{
    "enable_ai_segmentation": true,
    "user_prompt": "关注技术概念和方法论"
  }'

# 查看处理状态
curl "http://localhost:8000/ingest/status/{job_id}"

2. 创建知识卡片

curl -X POST "http://localhost:8000/knowledge-cards" \
  -H "Content-Type: application/json" \
  -d '{
    "name": "机器学习",
    "description": "人工智能的一个子集，专注于从数据中学习",
    "domain": "计算机科学",
    "category": "技术",
    "importance": "high",
    "tags": ["AI", "数据科学"],
    "aliases": ["ML"],
    "related_concepts": ["深度学习", "神经网络"]
  }'

3. 查询知识图谱

# 获取某个领域的所有概念
curl "http://localhost:8000/graph/query?cypher=MATCH%20(c:Concept)%20WHERE%20c.domain='技术'%20RETURN%20c"

# 获取图谱统计
curl "http://localhost:8000/graph/stats"

4. GraphRAG 智能问答（v2.0）

# GraphRAG 查询
curl -X POST "http://localhost:8000/graphrag/query" \
  -H "Content-Type: application/json" \
  -d '{
    "question": "什么是 Transformer？",
    "mode": "hybrid",
    "top_k": 5
  }'

# 反馈：合并概念
curl -X POST "http://localhost:8000/graphrag/feedback/merge" \
  -H "Content-Type: application/json" \
  -d '{
    "source_id": "concept_1",
    "target_id": "concept_2"
  }'

10) 路线图

当前版本（v2.0-GraphRAG）

✅ 多提供商 AI 集成（12 个提供商）
✅ 文档上传和处理（PDF、Markdown、TXT）
✅ AI 驱动的知识提取
✅ 手动知识卡片管理
✅ 交互式图谱可视化
✅ 双语 UI（中文/英文）
✅ Docker 部署
✅ Neo4j GraphRAG 集成（8 阶段构建流程）
✅ 篇章理解（篇章切分、指代消解、论断抽取）
✅ 主题社区构建（Neo4j GDS 社区检测）
✅ 向量搜索（Neo4j 向量索引）
✅ GraphRAG 智能问答（主题优先 + 论证链）
✅ 谓词治理（本体约束 + 白名单）
✅ 证据回溯（四级定位：doc → chunk → section → sentence）

下一版本（v2.1）- 2025 Q2

🎯 反馈闭环完善（前端三键反馈）
🎯 评价指标看板
🎯 高级查询构建器 UI
🎯 知识卡片模板
🎯 批量导入/导出
🎯 图谱分析仪表板
🎯 网页捕获浏览器扩展

未来（v2.2+）

🔮 学习路径规划和推荐
🔮 冲突检测和解决
🔮 多用户支持和 JWT 认证
🔮 Notion/Obsidian 连接器
🔮 移动应用（React Native）
🔮 OpenTelemetry 可观测性

📚 文档资源

快速开始指南 - 分步设置说明
知识图谱算法更新步骤 - GraphRAG v2.0 升级计划与实施细节
AI 提供商指南 - 所有 12 个 AI 提供商的配置
AI 分段 API - AI 驱动的文档分析
环境变量 - 完整配置参考
前端集成 - 前端 AI 功能
实现摘要 - 技术实现细节

🤝 贡献指南

我们欢迎贡献！以下是你可以帮助的方式：

报告 Bug：打开一个 issue 描述 bug 及如何重现
建议功能：使用 enhancement 标签打开 issue
提交 PR：
- Fork 本仓库
- 创建功能分支（git checkout -b feature/amazing-feature）
- 提交你的更改（git commit -m 'Add amazing feature'）
- 推送到分支（git push origin feature/amazing-feature）
- 打开一个 Pull Request

指南：

遵循现有代码风格和约定
为新功能添加测试
根据需要更新文档
对于重大更改，请先打开 issue 讨论

🐛 故障排查

Neo4j 连接错误

# 检查 Neo4j 是否运行
docker ps | grep neo4j

# 检查连接
curl http://localhost:7474

AI 提供商错误

# 验证 API 密钥已设置
echo $AI_API_KEY

# 查看日志
docker-compose logs api

前端构建错误

# 清除 node_modules 并重新安装
cd app/vue
rm -rf node_modules package-lock.json
npm install

端口已被占用

# 查找使用端口 8000 的进程
# Windows PowerShell:
netstat -ano | findstr :8000

# Linux/Mac:
lsof -ti:8000

# 终止进程
# Windows:
taskkill /PID <PID> /F
# Linux/Mac:
kill -9 $(lsof -ti:8000)

📄 开源协议

Apache License 2.0 - 详见 LICENSE 文件

🙏 致谢

Neo4j - 图数据库平台与 GraphRAG 框架
Neo4j GraphRAG - 知识图谱构建与检索框架
FastAPI - 现代 Python Web 框架
Vue.js - 渐进式 JavaScript 框架
Naive UI - Vue 3 组件库
Cytoscape.js - 图可视化库
所有出色的开源 AI 提供商

📮 联系与支持

Issues: GitHub Issues
讨论: GitHub Discussions
邮箱: your-email@example.com (如适用)

用 ❤️ 由 LunarInsight 社区制作

⭐ 如果这个项目对你有帮助，请在 GitHub 上给我们一个星标！

Name		Name	Last commit message	Last commit date
app/vue		app/vue
server		server
.gitignore		.gitignore
README.md		README.md
README_EN.md		README_EN.md
docker-compose.yml		docker-compose.yml

Latest commit

History

Folders and files

Repository files navigation

月悟 | LunarInsight

🖼️ 项目截图

仪表盘

知识图谱可视化

知识卡片管理

文档上传与处理

📖 目录

1) 项目简介

2) 核心特性

知识图谱处理算法

核心理念：从"摘点"到"读篇章"

8 阶段构建流程

阶段详解

阶段 0: 篇章切分 (Semantic Chunker)

阶段 1: 指代消解 (Coreference Resolution)

阶段 2: 实体链接 (Entity Linker)

阶段 3: 论断抽取 (Claim Extractor)

阶段 4: 主题社区构建 (Theme Builder)

阶段 5: 谓词治理 (Predicate Governor)

阶段 6: 幂等落库 (Graph Service)

阶段 7: GraphRAG 检索 (Query Service)

阶段 8: 评价与反馈 (Metrics + Feedback Loop)

技术亮点

数据模型

3) 系统架构

4) 核心模块

5) 技术栈

6) 快速开始

7) API 概览

8) 数据模型

9) 使用示例

10) 路线图

📚 文档资源

🤝 贡献指南

🐛 故障排查

📄 开源协议

🙏 致谢

📮 联系与支持

About

Topics

Resources

Stars

Watchers

Forks

Releases

Packages

Contributors

Languages