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

5061点击 2026-02-02 13:23

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

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

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.git

cd 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

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

🤯 项目源码

Yuxi-Know（语析）是一个基于知识图谱和向量数据库的智能知识库系统，融合了 RAG（检索增强生成）技术与知识图谱技术，适用于如下场景

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。
教育培训：辅助在线学习，为学生提供智能辅导和知识解答。
企业客服：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。

开源项目:

https://github.com/xerrors/Yuxi-Know

文章来自于“IoT物联网技术”，作者 “IoT物联网技术”。

关键词: AI新闻 , RAG , 语析 , Yuxi-Know , RAG知识库

AITNT资源拓展

根据文章内容,系统为您匹配了更有价值的资源信息。内容由AI生成,仅供参考

AI代理

【开源免费】Browser-use 是一个用户AI代理直接可以控制浏览器的工具。它能够让AI 自动执行浏览器中的各种任务，如比较价格、添加购物车、回复各种社交媒体等。
项目地址：https://github.com/browser-use/browser-use

智能体

【开源免费】AutoGPT是一个允许用户创建和运行智能体的（AI Agents）项目。用户创建的智能体能够自动执行各种任务，从而让AI有步骤的去解决实际问题。
项目地址：https://github.com/Significant-Gravitas/AutoGPT

﻿【开源免费】MetaGPT是一个“软件开发公司”的智能体项目，只需要输入一句话的老板需求，MetaGPT即可输出用户故事 / 竞品分析 / 需求 / 数据结构 / APIs / 文件等软件开发的相关内容。MetaGPT内置了各种AI角色，包括产品经理 / 架构师 / 项目经理 / 工程师，MetaGPT提供了一个精心调配的软件公司研发全过程的SOP。
项目地址：https://github.com/geekan/MetaGPT/blob/main/docs/README_CN.md

知识库

【开源免费】FASTGPT是基于LLM的知识库开源项目，提供开箱即用的数据处理、模型调用等能力。整体功能和“Dify”“RAGFlow”项目类似。很多接入微信，飞书的AI项目都基于该项目二次开发。
项目地址：https://github.com/labring/FastGPT

RAG

【开源免费】graphrag是微软推出的RAG项目，与传统的通过 RAG 方法使用向量相似性作为搜索技术不同，GraphRAG是使用知识图谱在推理复杂信息时大幅提高问答性能。
项目地址：https://github.com/microsoft/graphrag

【开源免费】Dify是最早一批实现RAG，Agent，模型管理等一站式AI开发的工具平台，并且项目方一直持续维护。其中在任务编排方面相对领先对手，可以帮助研发实现像字节扣子那样的功能。
项目地址：https://github.com/langgenius/dify

【开源免费】RAGFlow是和Dify类似的开源项目，该项目在大文件解析方面做的更出色，拓展编排方面相对弱一些。
项目地址：https://github.com/infiniflow/ragflow/tree/main

【开源免费】phidata是一个可以实现将数据转化成向量存储，并通过AI实现RAG功能的项目
项目地址：https://github.com/phidatahq/phidata

【开源免费】TaskingAI 是一个提供RAG，Agent，大模型管理等AI项目开发的工具平台，比LangChain更强大的中间件AI平台工具。
项目地址：https://github.com/TaskingAI/TaskingAI