知识图谱零代码搭建SmartKG 如何用 5 分钟把 Excel 变成能问答的图谱【免费下载链接】SmartKGThis project accepts excel files as input which contains the description of a Knowledge Graph (Vertexes and Edges) and convert it into an in-memory Graph Store. This project implements APIs to search/filter/get nodes and relations from the in-memory Knowledge Graph. This project also provides a dialog management framework and enable a chatbot based on its knowledge graph.项目地址: https://gitcode.com/gh_mirrors/smar/SmartKG你手里有一份 500 行的 Excel记录着人物关系、知识点或故障处理记录你希望它今天下午就变成一张能缩放、能搜索、还能回答问题的知识图谱。多数人的第一反应是找研发排期而开源项目 SmartKG 的核心功能正是把描述顶点Vertex和边Edge的 Excel 直接转成内存知识图谱再配上一套可视化界面和基于图谱的问答机器人——全程不用你写一行代码。建图谱不等于建数据库先打破这个误解很多人以为做知识图谱的第一步是装图数据库、学 Cypher 查询、再让前端写交互、让算法工程师训对话模型。这条老路的隐性成本常被低估数据清洗、模型设计、接口开发、可视化、对话训练五条线并行一个 3~5 人的团队也得压上两到三周更麻烦的是业务数据一更新所有环节都要重来一遍。SmartKG 把整个链路折叠成一个 Excel 模板一个 sheet 写实体一个 sheet 写关系其余交给系统。它把从数据到图谱再到对话压缩成一次上传动作这正是它和其他只能看图的图谱工具最大的不同。一张对比表看懂它替你省掉了哪些环节按省掉步骤来看它的核心能力会更直观环节传统做法用 SmartKG省下的成本数据建模设计图模型、写 Cypher按模板填 Excel建模环节直接取消后端接口从零开发检索/过滤 API内置 search/filter/get 接口数天开发量可视化前端团队定制交互Vue 界面开箱即用整个前端工期智能问答训练意图识别模型配置两个 TSV 文件模型训练周期部署运维多服务手动联调一条 compose 命令拉起环境搭建时间其中问答能力的门槛被压得极低在Resources/Data/Archieved_DataStore/COVID19/NLU/目录下entitymap.tsv负责实体别名映射比如 2019-ncov 自动归一为 COVID-19intentrules.tsv定义意图规则改表比训模型简单一个量级。数据解析逻辑在PySmartKG/data_import.py它会逐行校验实体 ID、名称和类型属性列按键-值成对读取出问题还会给出中文警告。从安装到出结果跟着五步走第 1 步环境准备。只要机器上有 Docker其余依赖全部交给镜像git clone https://gitcode.com/gh_mirrors/smar/SmartKG cd SmartKG/dockers/smartkg_services docker-compose up -d第一条命令把仓库拉回本地第二条在后台一次性启动后端、前端和 MongoDB。等两三分钟浏览器打开http://localhost:8083就是图谱主界面http://localhost:8082/swagger/index.html则是后端 API 文档。 避坑如果本机 8082 或 8083 被占用直接改docker-compose.yml里ports的映射值即可。第 2 步拿到模板。模板文件在SmartKGUI/public/SmartKG_KGDesc_Template.xlsx。顶点页前三列分别是实体 ID、名称、类型之后每两列一组填写属性名和属性值边页则写关系类型、起始实体 ID、目标实体 ID。想先跑通流程可以直接用样例数据Resources/Data/Excel/input/XYJ/SmartKG_Xiyouji_relations_new.xlsx——一份现成的西游记关系表不用自己造数据。第 3 步上传。打开http://localhost:8083/upload把 Excel 拖进去系统自动完成数据校验、图谱构建和节点配色。第 4 步探索与问答。回到主页图谱即可缩放、拖拽、按类型筛选右上角输入自然语言基于图谱的对话机器人会给出回答。第 5 步可选想接大模型运行PySmartKG版本在data目录放一个openai_key.txt然后python kg_api.py访问http://localhost:5000就能用 LLM 增强问答Python 需要 3.8 以上建议 3.10。不想用 Docker 时后端dotnet SmartKG.KGBot.dll、前端npm run serve也能在本地直接跑。两个场景算一笔真实的账教育领域把七八年级物理知识点装进图谱仓库里有现成的 MechanicsGrade7 样例老师按章节提问回答基本在毫秒级原先翻教参找关联知识点的几分钟被压缩到一次提问更新知识点时只需改 Excel 重新上传从改代码变成改表格。制造与业务文档场景把设备故障处理记录转成图谱后一线工人用自然语言问某型号电机过热通常和什么有关机器人顺着关系链给出答案单次故障定位平均能省下半小时以上。图谱数据量撑到数万节点仍可流畅交互单次导入建议控制在 5 万行以内数据更大就分批发。高频踩坑清单提前帮你排雷新手最容易在四个地方卡住模板前三列留空实体 ID、名称、类型任一为空该行会被直接跳过并输出警告图谱里就少了节点。先填全再传。实体 ID 重复第二个同名实体会被丢弃。给每个实体独立编号别偷懒。属性列顺序错乱属性必须严格键、值成对出现中间插空列会导致后面的属性读不出来。改了 MongoDB 账号密码却不同步docker-compose.yml里的MONGO_INITDB_ROOT_USERNAME/PASSWORD一旦改动必须同步修改smartkg服务的appsettings.json里的连接串否则后端连不上库。现在让图谱成为你的日常工具仓库根目录的SmartKG_Spec.pdf就是一份完整的手册安装、编译、二次开发的细节都在里面。接下来的十分钟你可以完成三件事clone 仓库、把样例 Excel 传上去、用自然语言向它提问。等这张图谱真的在你浏览器里展开时你会意识到—— 知识图谱从来不是工程师的专利它只是一张被你填好的表格。【免费下载链接】SmartKGThis project accepts excel files as input which contains the description of a Knowledge Graph (Vertexes and Edges) and convert it into an in-memory Graph Store. This project implements APIs to search/filter/get nodes and relations from the in-memory Knowledge Graph. This project also provides a dialog management framework and enable a chatbot based on its knowledge graph.项目地址: https://gitcode.com/gh_mirrors/smar/SmartKG创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考