知识图谱
概念提取、关系网络和图谱检索
知识图谱功能为知识库中的文档构建结构化的概念关系网络，让 AI 不仅能搜索到相关文本，还能理解概念之间的关联。
两种模式
InkCop 提供两种知识图谱模式：
LazyGraphRAG 模式（推荐）
- 索引时：轻量概念提取（concepts + 共现关系）
- 查询时：向量搜索 + 概念图搜索融合
- 优势：索引速度快，查询延迟低
- 适合：大多数使用场景
Legacy 模式
- 索引时：完整实体和关系提取（entities + relations）
- 查询时：支持更复杂的图查询
- 优势：实体关系更精细
- 适合：对知识结构精度要求高的场景
图谱构建过程
文档添加到知识库后，系统自动进行图谱数据提取：
- 概念/实体提取：LLM 从文档中提取关键概念或实体
- 关系识别：识别概念之间的共现或语义关系
- 图数据存储：存入 Kuzu 图数据库
- 社区检测：对概念网络进行社区划分
配置
在 设置 > 记忆 > 知识图谱 中配置：
- 模式切换：在 LazyGraphRAG 和 Legacy 之间选择
- 提取提示词：自定义 LLM 提取概念/实体的提示词
- NER 设置：命名实体识别相关参数
切换模式后，已有的图谱数据会保留。新添加的文档会按新模式处理，旧文档可通过"重建"操作重新提取。
查询增强
知识图谱会增强语义搜索的效果：
- 概念扩展：搜索 "深度学习" 时，会自动关联 "卷积神经网络"、"Transformer" 等概念
- 关系路径：发现概念之间的间接关联
- 社区聚合：将同一知识社区的相关内容聚合展示
场景示例
场景：你想了解知识库中 "蛋白质折叠" 这个概念与哪些其他概念相关。
- 向 AI 提问："知识库中与蛋白质折叠相关的概念有哪些？"
- AI 在知识图谱中查找"蛋白质折叠"节点
- 返回相关联的概念（如 AlphaFold、分子动力学、二级结构等）
- 以及这些概念在哪些文档中被提及