🏥 RAGQnASystem

基于知识图谱 RAG 与大模型的医疗智能问答系统

知识图谱精确检索 · BERT NER 实体识别 · LLM 意图分析 · 流式答案生成

_{系统流水线：用户提问 → NER 实体抽取 → LLM 意图识别 → 知识图谱 Cypher 检索 → LLM 答案生成}

快速开始 · 核心模块 · 项目架构 · 配置说明

💡 项目简介

本项目构建了一个基于知识图谱 RAG（Retrieval-Augmented Generation）+ 大语言模型的医疗问答系统：

以 Neo4j 医疗知识图谱（4.4 万实体、31 万关系）为外部知识源
结合 BERT + RNN 做命名实体识别（NER），F1 达 97.40%
利用 ollama 本地 LLM 做意图识别（16 类）与流式答案生成
通过 Streamlit 提供完整交互界面

区别于传统向量数据库 RAG，本项目使用结构化知识图谱做精确检索，为大模型提供可靠的医疗领域外部知识，有效缓解大模型在医疗场景的幻觉问题。

数据集来源：Open-KG
参考项目：RAGOnMedicalKG · QASystemOnMedicalKG

✨ 核心特性

🔬 知识图谱 RAG
Neo4j 图数据库精确检索，44,656 实体 + 312,159 关系

🧠 BERT + RNN 实体识别
3 种数据增强策略，F1 = 97.40%

💬 LLM 意图识别
零标注成本，prompt + CoT + few-shot

🔀 表驱动意图路由
16 类意图一张表管理，告别 if-else 地狱

⚙️ 集中配置
环境变量一处管控，零硬编码

🎨 完整 Streamlit UI
登录注册 · 多窗口 · LLM 选择 · 管理员面板

📋 目录

点击展开完整目录

项目简介
核心特性
快速开始（从零跑通全流程）
项目架构
核心模块详解
运行界面
配置与环境变量
单元测试
安全须知
已知限制
路线图
致谢与引用
联系方式

🚀 快速开始（从零跑通全流程）

Important

本项目运行需要 3 个核心依赖全部就位才能正常工作：

#	依赖	缺失后果
1	Neo4j 知识图谱	所有知识查询返回空 → 回答全是"无法回答"
2	NER 模型权重	`load_model` 直接崩溃
3	ollama + LLM	意图识别和答案生成都无法工作

请务必按顺序完成以下 6 步。

步骤 1 · 准备 Python 环境

git clone https://github.com/honeyandme/RAGQnASystem.git
cd RAGQnASystem
conda create -n ragqna python=3.10 -y
conda activate ragqna
pip install -r requirements.txt

Note

关于 PyTorch：requirements.txt 中 torch>=2.2,<2.4 默认安装 CPU 版本。
GPU 用户请按自身 CUDA 版本从 https://pytorch.org/get-started/previous-versions/ 选择匹配的 wheel 安装：

# 示例：CUDA 11.8
pip install torch==2.2.1+cu118 --index-url https://download.pytorch.org/whl/cu118

步骤 2 · 安装并启动 Neo4j

本项目使用 Neo4j Community 5.18.x（需要 JDK 17）。

从 Neo4j 官方下载页下载对应系统版本
启动 Neo4j：

# Linux 示例
cd neo4j-community-5.18.1
./bin/neo4j start

浏览器打开 http://localhost:7474 ，使用默认账号 neo4j / neo4j 登录
首次登录会要求修改密码——请记住你设置的新密码，后续步骤要用

Tip

验证 Neo4j 是否正常运行：在浏览器 Neo4j 控制台执行 RETURN 1，应返回结果 1。

步骤 3 · 构建知识图谱

Warning

build_up_graph.py 运行时会询问是否删除 Neo4j 中全部已有节点（输入 y 确认）。
请确保目标数据库是干净库或已备份！

执行命令：

python build_up_graph.py \
  --website http://localhost:7474 \
  --user neo4j \
  --password <你的Neo4j密码> \
  --dbname neo4j

也可以通过环境变量设置（推荐，避免密码出现在命令行历史）：

export NEO4J_PASSWORD='你的Neo4j密码'
python build_up_graph.py

脚本做了什么：

读取 data/medical_new_2.json（约 8808 条疾病记录）
从每条记录中解析出 8 类实体（疾病、药品、食物、检查项目、科目、症状、治疗方法、药品商）
解析出 11 类关系（疾病的症状、疾病使用药品、疾病宜吃食物等）
将所有实体创建为 Neo4j 节点，将关系创建为边
自动在 data/ent_aug/ 下保存各类实体名列表（.txt），在 data/rel_aug.txt 保存关系文件——这些文件被 NER 训练使用

期望输出（节选）：

注意:是否删除neo4j上的所有实体 (y/n): y
[2024-xx-xx] INFO build_up_graph: 正在导入 疾病 类数据 (8808 个)
100%|████████████████| 8808/8808 [00:42<00:00, 207.24it/s]
[2024-xx-xx] INFO build_up_graph: 正在导入 药品 类数据 (3828 个)
100%|████████████████| 3828/3828 [00:18<00:00, ...]
...
正在导入关系.....
100%|████████████████| 312159/312159 [05:23<00:00, ...]

验证知识图谱是否构建成功：

在 Neo4j 浏览器（http://localhost:7474）中执行：

MATCH (n) RETURN count(n)
-- 期望结果：约 44,656 个节点

MATCH ()-[r]->() RETURN count(r)
-- 期望结果：约 312,159 条关系

MATCH (a:疾病{名称:'高血压'}) RETURN a.疾病简介
-- 期望结果：返回高血压的简介文本

Important

如果上面 3 条 Cypher 都有正确返回，说明知识图谱构建成功。这是后续系统能正常工作的前提条件。

步骤 4 · 准备 NER 模型

NER 模型需要 2 个文件就位才能工作：

文件	路径	说明
BERT base 模型	`model/chinese-roberta-wwm-ext/`	HuggingFace 预训练权重
训练好的 NER 权重	`model/best_roberta_rnn_model_ent_aug.pt`	本项目微调后的权重
tag2idx 映射	`tmp_data/tag2idx.npy`	标签到索引的映射（训练时自动生成）

路径 A：下载预训练权重（推荐，最快）

下载我们训练好的模型：百度网盘
将 best_roberta_rnn_model_ent_aug.pt 放到 model/ 目录下
将 tag2idx.npy 放到 tmp_data/ 目录下（网盘中一并提供）
从 HuggingFace 下载 chinese-roberta-wwm-ext 并保存到 model/chinese-roberta-wwm-ext/：

# 方式一：使用 git clone（需要 git-lfs）
git lfs install
git clone https://huggingface.co/hfl/chinese-roberta-wwm-ext model/chinese-roberta-wwm-ext

# 方式二：使用 huggingface-cli
pip install huggingface_hub
huggingface-cli download hfl/chinese-roberta-wwm-ext --local-dir model/chinese-roberta-wwm-ext

Note

确认 model/chinese-roberta-wwm-ext/ 目录下有 config.json、pytorch_model.bin（或 model.safetensors）、vocab.txt 等文件。

路径 B：自行训练（可选）

如果你想从头训练 NER 模型：

B.1 生成训练数据（可跳过，已上传 data/ner_data_aug.txt）：

python ner_data.py

这段代码做了什么：

读取 data/medical.json 中的疾病描述文本
使用 AC 自动机（基于 data/ent_aug/*.txt 中的实体列表）进行规则匹配
生成 BIO 格式标注数据，保存到 data/ner_data_aug.txt

Important

ner_data.py 依赖 data/ent_aug/ 目录中的实体文件。这些文件由步骤 3 构建知识图谱时自动生成。如果你跳过了步骤 3 但想训练 NER，需要先运行 build_up_graph.py（至少跑到生成 ent_aug 文件那一步）。

B.2 训练模型：

python -m ner.train

训练参数（在 ner/train.py 中可调）：

参数	默认值	说明
`epoch`	`20`	训练轮数
`max_len`	`60`	序列最大长度
`batch_size`	`50`	批大小
`lr`	`5e-5`	学习率
`enhance_data`	`True`	是否启用数据增强（epoch≥7 奇数轮触发）

期望训练输出：

Epoch 0: 100%|████| 200/200 [01:30<00:00]  loss=2.34
Epoch 0 验证: loss=1.12, f1=0.89
...
Epoch 19 验证: loss=0.08, f1=0.974
模型已保存: model/best_roberta_rnn_model_ent_aug.pt

训练完成后会自动生成：

model/best_roberta_rnn_model_ent_aug.pt — 模型权重
tmp_data/tag2idx.npy — 标签映射（被 webui.py 的 load_model 加载）

步骤 5 · 安装 ollama 并拉取 LLM

本项目使用 ollama 在本地部署大语言模型，用于意图识别和答案生成两个环节。

安装 ollama：

curl -fsSL https://ollama.com/install.sh | sh

拉取模型（二选一或都拉）：

# Qwen 1.5（推荐，中文效果好）
ollama pull qwen:32b         # 需要 ~20GB 显存；资源不够可用 qwen:7b

# Llama2-Chinese（备选）
ollama pull llama2-chinese:13b-chat-q8_0

Tip

显存不够？ 可以用小模型替代：

ollama pull qwen:7b
export OLLAMA_QWEN_MODEL=qwen:7b

通过环境变量 OLLAMA_QWEN_MODEL 覆盖默认的 qwen:32b。

验证 ollama 是否正常工作：

ollama run qwen:32b "你好，请用一句话介绍自己"
# 应返回一段中文回答

ollama 在系统中的角色：

意图识别：webui.py 中的 Intent_Recognition() 函数调用 ollama.generate() 让 LLM 分析用户问题属于 16 类意图中的哪几类
答案生成：main() 函数调用 ollama.chat(..., stream=True) 让 LLM 根据知识图谱检索结果流式生成回答

步骤 6 · 启动应用

streamlit run login.py

浏览器会自动打开 http://localhost:8501 ，默认账号：admin / admin123

Warning

账号密码以明文存储在 tmp_data/user_credentials.json 中，仅供本地 demo 使用。详见「安全须知」。

启动前自检清单

在运行 streamlit run login.py 之前，请确认以下文件/服务全部就位：

检查项	验证方法	如果缺失
Neo4j 正在运行	浏览器打开 http://localhost:7474 能看到控制台	回到步骤 2
知识图谱已导入	Neo4j 执行 `MATCH (n) RETURN count(n)` 返回 ~44656	回到步骤 3
`model/chinese-roberta-wwm-ext/` 存在	目录下有 `config.json` + `vocab.txt`	回到步骤 4
`model/best_roberta_rnn_model_ent_aug.pt` 存在	`ls model/*.pt`	回到步骤 4
`tmp_data/tag2idx.npy` 存在	`ls tmp_data/tag2idx.npy`	回到步骤 4
ollama 服务正在运行	`ollama list` 能看到已拉取的模型	回到步骤 5
至少一个 LLM 已拉取	`ollama list` 中有 `qwen:32b` 或你设的模型	回到步骤 5

全部 ✓ 后即可启动！

🏗️ 项目架构

目录结构

RAGQnASystem/
├── login.py               # Streamlit 入口：登录/注册
├── webui.py               # 主 UI + 对话流程编排
├── config.py              # 集中配置（环境变量覆盖）
├── logging_setup.py       # 统一日志初始化
├── kg_client.py           # Neo4j 知识图谱查询封装
├── intent_router.py       # 表驱动意图路由
├── ner_model.py           # NER 模块 re-export shim（兼容旧 import）
├── ner/                   # NER 子包
│   ├── __init__.py
│   ├── dataset.py         # 数据集 + 数据增强
│   ├── model.py           # BERT + RNN 模型定义
│   ├── inference.py       # 推理：规则查找 + TF-IDF 对齐 + 实体合并
│   └── train.py           # 训练入口
├── ner_data.py            # 训练数据生成（AC 自动机 + BIO 标注）
├── build_up_graph.py      # 知识图谱构建脚本
├── user_data_storage.py   # 用户凭证存储（JSON）
├── data/
│   ├── medical_new_2.json # 知识图谱源数据（~8808 条疾病）
│   ├── medical.json       # NER 训练用文本源
│   ├── ner_data_aug.txt   # 预生成的 BIO 标注数据
│   └── ent_aug/           # 各类实体名列表（构建图谱时自动生成）
├── model/                 # 模型权重目录
├── tmp_data/              # 运行时缓存（tag2idx、用户凭证）
├── img/                   # 文档图片
├── finetune_demo/         # [未接入] ChatGLM3 LoRA 微调示例
└── requirements.txt

模块职责

模块	职责	关键依赖
`login.py`	登录/注册入口，验证通过后调用 `webui.main()`	streamlit, user_data_storage
`webui.py`	对话流程编排：加载模型 → 接收输入 → 意图识别 → 图谱查询 → 流式回答	全部
`intent_router.py`	表驱动解析 LLM 意图输出，调用 `kg_client` 执行查询	kg_client
`kg_client.py`	Cypher 查询封装，统一空结果/异常处理	py2neo
`ner/`	NER 模型定义、训练、推理	torch, transformers
`config.py`	集中管理所有配置项	-
`build_up_graph.py`	解析 JSON → 创建 Neo4j 节点和关系	py2neo, json

_{图 6：模块架构 — 4 层分层设计 + config.py 横切配置注入}

🧠 核心模块详解

知识图谱（KG）

_{图 2：以「高血压」为中心的知识图谱可视化 — 8 类实体 · 11 类关系 · 44,656 节点 · 312,159 条边}

知识图谱包含以下结构：

8 类实体：

实体类型	中文含义	数量	举例
Disease	疾病	8,808	急性肺脓肿
Drug	药品	3,828	布林佐胺滴眼液
Food	食物	4,870	芝麻
Check	检查项目	3,353	胸部CT检查
Department	科目	54	内科
Producer	药品商	17,201	青阳醋酸地塞米松片
Symptom	疾病症状	5,998	乏力
Cure	治疗方法	544	抗生素药物治疗

7 类疾病属性：疾病简介、疾病病因、预防措施、治疗周期、治愈概率、疾病易感人群、名称

11 类关系：疾病使用药品、疾病宜吃食物、疾病忌吃食物、疾病所需检查、疾病所属科目、疾病的症状、治疗的方法、疾病并发疾病、药品商生产药品等

命名实体识别（NER）

_{图 3：NER 模块全景 — 模型架构 · 数据构建流程 · 3 种数据增强策略 · F1 提升结果}

模型架构：chinese-roberta-wwm-ext (BERT) → 双向 RNN → 线性分类器 → BIO 标签序列

数据构建流程（ner_data.py）：

读取 data/medical.json 中的疾病描述/病因/预防等长文本
使用 AC 自动机（基于 data/ent_aug/*.txt 中的实体名列表）进行字符串多模匹配
匹配到的实体标注为 B-实体类型 / I-实体类型，未匹配标注为 O
将文本按标点切句、随机拼接为短文本，保存为 BIO 格式

3 种数据增强策略（ner/dataset.py 中的 Entity_Extend 类）：

实体替换：将文本中的实体随机替换为同类型其他实体
实体掩码：将实体替换为 [MASK] token
实体拼接：在文本末尾拼接额外实体

训练结果（测试集 F1）：

模型	无增强	有增强
bert-base-chinese	97.13%	97.42%
chinese-roberta-wwm-ext	96.77%	97.40%

推理流程（ner/inference.py）：

BERT 模型预测 BIO 序列 → 提取实体名
规则查找（rule_find）：从 data/ent_aug/*.txt 加载全部已知实体
TF-IDF 对齐（tfidf_alignment）：将模型预测的实体名与知识图谱中的标准实体名做最近邻匹配
合并（merge）：综合模型预测 + 规则匹配结果，输出最终实体字典 {实体类型: 实体名}

意图识别

系统将用户意图分为 16 类（15 类查询 + 查询疾病简介作为默认补充）：

编号	意图名称	查询类型	对应 KG 操作
1	查询疾病简介	属性	`a.疾病简介`
2	查询疾病病因	属性	`a.疾病病因`
3	查询疾病预防措施	属性	`a.预防措施`
4	查询疾病治疗周期	属性	`a.治疗周期`
5	查询治愈概率	属性	`a.治愈概率`
6	查询疾病易感人群	属性	`a.疾病易感人群`
7	查询疾病所需药品	关系	`(疾病)-[疾病使用药品]->(药品)`
8	查询疾病宜吃食物	关系	`(疾病)-[疾病宜吃食物]->(食物)`
9	查询疾病忌吃食物	关系	`(疾病)-[疾病忌吃食物]->(食物)`
10	查询疾病所需检查项目	关系	`(疾病)-[疾病所需检查]->(检查项目)`
11	查询疾病所属科目	关系	`(疾病)-[疾病所属科目]->(科目)`
12	查询疾病的症状	关系	`(疾病)-[疾病的症状]->(疾病症状)`
13	查询疾病的治疗方法	关系	`(疾病)-[治疗的方法]->(治疗方法)`
14	查询疾病的并发疾病	关系	`(疾病)-[疾病并发疾病]->(疾病)`
15	查询药品的生产商	关系	`(药品商)-[生产]->(药品)`

_{图 4：意图识别与表驱动路由 — LLM 输出解析 → 关键字降序匹配 → 16 类意图精确分发}

工作原理：

webui.py 的 Intent_Recognition() 函数将用户问题嵌入一个精心设计的 prompt 中
prompt 包含 16 类意图定义 + 10 个 few-shot 示例（含思维链解释）
LLM 输出形如 ["查询疾病简介", "查询疾病病因"] # 因为... 的 JSON 列表 + 注释
intent_router.py 的 route_intents() 解析 LLM 输出，按关键字长度降序匹配避免子串冲突
execute_intents() 对每个命中意图调用 kg_client 执行对应 Cypher 查询

意图路由如何避免误匹配：

原代码用 if "治疗" in response 导致「查询治疗周期」会同时错误触发「查询治疗方法」。
修复后的 intent_router.py 采用关键字长度降序 + 已命中标记 + 文本消除策略：

# intent_router.py 核心逻辑（简化）
# 1. 所有关键字按长度降序排列：["治疗周期", "治疗方法", "治疗", ...]
# 2. 命中"治疗周期"后，将该文本段替换为占位符
# 3. 后续"治疗"关键字无法再匹配到已被替换的位置

如何自定义新意图：编辑 intent_router.py 中的 INTENT_SPECS 元组，新增一条 IntentSpec：

IntentSpec(
    keywords=("你的关键字",),   # LLM 输出中的触发词
    query_kind="relation",       # "attribute" 或 "relation" 或 "drug_producer"
    arg="关系名",                # Cypher 中的关系类型名
    target_label="目标节点标签", # 目标节点的 Neo4j 标签
    intent_name="查询XXX",       # 意图名（需同步更新 prompt）
    entity_key="疾病",           # 从 NER 结果中取哪个实体
)

知识图谱查询

当意图路由确定了要查询什么后，kg_client.py 负责生成并执行 Cypher 语句：

示例完整流程：

用户输入: "高血压吃什么药？"
    ↓
NER 结果: {"疾病": "高血压"}
    ↓
LLM 意图识别输出: ["查询疾病简介", "查询疾病所需药品"]
    ↓
intent_router 触发 2 个意图:
  1. 查询疾病简介 → kg.get_disease_attribute("高血压", "疾病简介")
     → Cypher: MATCH (a:疾病{名称:'高血压'}) RETURN a.疾病简介
  2. 查询疾病所需药品 → kg.get_related_entities("高血压", "疾病使用药品", "药品")
     → Cypher: MATCH (a:疾病{名称:'高血压'})-[r:疾病使用药品]->(b:药品) RETURN b.名称
    ↓
查询结果拼接为 <提示>...</提示> 文本
    ↓
最终 prompt = 系统指令 + 知识提示 + 用户问题 → 发给 LLM 生成回答

KGClient 提供的查询方法：

方法	功能	Cypher 模板
`get_disease_attribute(disease, attr)`	查询疾病属性	`MATCH (a:疾病{名称:'X'}) RETURN a.属性`
`get_related_entities(disease, rel, target)`	查询疾病关系实体	`MATCH (a:疾病{名称:'X'})-[r:关系]->(b:目标) RETURN b.名称`
`get_diseases_by_symptom(symptom)`	通过症状反查疾病	`MATCH (a:疾病)-[r:疾病的症状]->(b:疾病症状{名称:'X'}) RETURN a.名称`
`get_drug_producers(drug)`	查询药品生产商	`MATCH (a:药品商)-[r:生产]->(b:药品{名称:'X'}) RETURN a.名称`

所有方法统一处理空结果和异常：空结果返回 None 或 []，异常记录日志但不中断 UI。

答案生成

最终答案由 ollama 上的 LLM 流式生成。prompt 结构如下：

<指令>你是一个医疗问答机器人...必须完全基于给定的提示回答...</指令>
<指令>仅针对医疗类问题提供回答...</指令>
<提示>用户有XX的情况，知识库推测可能得了YY...</提示>     ← 症状反查（如有）
<提示>用户对XX可能有查询疾病简介需求，知识库内容如下：...</提示>  ← 意图1查询结果
<提示>用户对XX可能有查询疾病所需药品需求，知识库内容如下：...</提示> ← 意图2查询结果
<用户问题>高血压吃什么药？</用户问题>
<注意>必须完全基于提示内容回答...</注意>

LLM 被严格约束为只能基于 <提示> 中的知识图谱信息回答，不可自由发挥，确保医疗回答的可靠性。

💻 运行界面

_{图 4：登录界面 — 支持用户/管理员两种身份}

_{图 5：问答界面 — 管理员可展开查看实体识别结果、意图识别结果、知识库信息}

界面功能：

登录/注册（管理员身份可查看调试信息）
多窗口对话（侧边栏切换）
LLM 选择（Qwen 1.5 / Llama2-Chinese）
管理员面板：显示实体识别结果、意图识别结果、KG 查询的原始提示信息
一键跳转 Neo4j 浏览器修改知识图谱

⚙️ 配置与环境变量

所有外部依赖参数通过 config.py 集中管理，支持环境变量覆盖（未设置时使用默认值）：

变量名	默认值	说明
`NEO4J_URL`	`http://localhost:7474`	Neo4j 连接 URL
`NEO4J_USER`	`neo4j`	Neo4j 用户名
`NEO4J_PASSWORD`	(请自行设置)	Neo4j 密码
`NEO4J_DBNAME`	`neo4j`	数据库名
`OLLAMA_QWEN_MODEL`	`qwen:32b`	Qwen 模型在 ollama 中的标签
`OLLAMA_LLAMA_MODEL`	`llama2-chinese:13b-chat-q8_0`	Llama2 模型标签
`NER_MODEL_NAME`	`model/chinese-roberta-wwm-ext`	BERT base 模型路径
`NER_CHECKPOINT`	`best_roberta_rnn_model_ent_aug`	NER 权重文件名（不含 `.pt`）
`DATA_DIR`	`data`	数据目录
`TMP_DIR`	`tmp_data`	缓存目录
`MODEL_DIR`	`model`	模型权重目录
`LOG_LEVEL`	`INFO`	日志级别（DEBUG/INFO/WARNING/ERROR）

Tip

推荐做法：在项目根目录创建 .env 文件（已加入 .gitignore），然后启动前执行：

export $(cat .env | xargs)

📌 项目背景与演进方向

Note

本项目最初开发于 2024 年初（距今约两年），当时的技术选型受限于彼时的生态。随着大模型能力的快速进化，以下方向值得关注：

🔄 LLM 模型可替换为最新版本

当前默认使用 qwen:32b，但 ollama 生态已支持更强的模型（如 Qwen2.5、Llama3、DeepSeek 等）。只需修改环境变量即可无缝切换：

export OLLAMA_QWEN_MODEL=qwen2.5:32b   # 或任何 ollama 支持的模型

更强的 LLM 意味着更精准的意图识别和更高质量的答案生成，无需改动任何代码。

🧠 建图方式可演进为纯 LLM 构建

当前方案依赖预定义的 JSON 数据集 + 规则解析来构建知识图谱，实体识别环节依赖 BERT NER。更现代的做法是参考 LightRAG 等项目，直接使用 LLM 从非结构化文本中抽取实体和关系，实现：

无需人工定义实体类型和关系模式
无需训练专门的 NER 模型
可从任意医疗文档（论文、指南、病历）增量构建图谱

这是本项目的自然演进方向，当前架构（kg_client.py + intent_router.py）已做好了模块化解耦，替换建图方式不影响查询和问答流程。

📮 联系方式

如果您的复现遇到了困难，请随时联系！

📧 zeromakers@outlook.com

如果本项目对你有帮助，欢迎点个 ⭐ Star！

Navigation Menu

Repository navigation

About

Repository files navigation

🏥 RAGQnASystem

基于知识图谱 RAG 与大模型的医疗智能问答系统

💡 项目简介

✨ 核心特性

📋 目录

🚀 快速开始（从零跑通全流程）

步骤 1 · 准备 Python 环境

步骤 2 · 安装并启动 Neo4j

步骤 3 · 构建知识图谱

步骤 4 · 准备 NER 模型

路径 A：下载预训练权重（推荐，最快）

路径 B：自行训练（可选）

步骤 5 · 安装 ollama 并拉取 LLM

步骤 6 · 启动应用

启动前自检清单

🏗️ 项目架构

目录结构

模块职责

🧠 核心模块详解

知识图谱（KG）

命名实体识别（NER）

意图识别

知识图谱查询

答案生成

💻 运行界面

⚙️ 配置与环境变量

📌 项目背景与演进方向

📮 联系方式

About

Releases

Packages

Used by

Contributors

Languages

Name		Name	Last commit message	Last commit date
data		data
finetune_demo		finetune_demo
img		img
model		model
ner		ner
ner_result		ner_result
tmp_data		tmp_data
.gitignore		.gitignore
README.md		README.md
build_up_graph.py		build_up_graph.py
config.py		config.py
intent_router.py		intent_router.py
kg_client.py		kg_client.py
logging_setup.py		logging_setup.py
login.py		login.py
ner_data.py		ner_data.py
ner_model.py		ner_model.py
requirements.txt		requirements.txt
user_data_storage.py		user_data_storage.py
webui.py		webui.py

Latest commit

History

Folders and files

Repository files navigation

🏥 RAGQnASystem

基于知识图谱 RAG 与大模型的医疗智能问答系统

💡 项目简介

✨ 核心特性

📋 目录

🚀 快速开始（从零跑通全流程）

步骤 1 · 准备 Python 环境

步骤 2 · 安装并启动 Neo4j

步骤 3 · 构建知识图谱

步骤 4 · 准备 NER 模型

路径 A：下载预训练权重（推荐，最快）

路径 B：自行训练（可选）

步骤 5 · 安装 ollama 并拉取 LLM

步骤 6 · 启动应用

启动前自检清单

🏗️ 项目架构

目录结构

模块职责

🧠 核心模块详解

知识图谱（KG）

命名实体识别（NER）

意图识别

知识图谱查询

答案生成

💻 运行界面

⚙️ 配置与环境变量

📌 项目背景与演进方向

📮 联系方式

About

Resources

Stars

Watchers

Forks

Releases

Packages

Used by

Contributors

Languages