理解知识网络
认识知识图谱的概念、分类、特点、价值与核心组成。
COURSE OVERVIEW
把分散的文本、数据与业务关系，组织成可被 AI 理解的知识网络
知识图谱将实体、属性和关系显性地连接起来，让企业知识不再散落在文档、系统与个人经验中。它可以为检索、问答、推荐、决策辅助和垂直领域智能应用提供更可解释的知识基础。
本课程把知识图谱与大模型、图数据库结合：先理解知识表示、图模型和业务价值，再通过 DeepSeek 类大模型抽取知识，使用 Neo4j 与 CQL 存储和查询图数据，最终构建可交互的知识库问答机器人。
知识表示与建模
掌握实体、关系、顶点、边、RDF、OWL 等知识图谱基础语言
大模型知识抽取
通过提示词、多轮对话与接口调用，将非结构化文本转为结构化知识
图数据库与查询
使用 Neo4j、CQL、CSV 导入与函数完成图数据管理和检索
问答应用构建
结合 Py2neo、函数调用与 Streamlit，交付电影和医疗知识图谱应用
LEARNING PATH
两天完成从文本抽取到图谱问答服务的关键闭环
通过建模、抽取、入库、查询、对话和前端交互六个环节，逐步建立知识驱动型应用的完整工作视图。
设计实体与关系
用实体、属性、关系、顶点和边建立可表达业务知识的模型。
用大模型抽取知识
通过提示词、接口和多轮上下文，从文本中提取知识结构。
存储与查询图数据
使用 Neo4j、CQL 和 CSV 导入管理图中的节点和关系。
连接意图与函数调用
让对话系统识别需求，并对图谱完成添加、删除、修改与查询。
部署问答应用
借助 Streamlit 组织交互界面，交付可访问的知识库问答服务。
COURSE FOCUS
让知识图谱真正成为可用的 AI 应用底座
知识建模语言
从知识图谱背景、表示方法与分类出发，理解实体、关系、顶点、边和知识间关联的建模逻辑。
大模型知识抽取
借助提示词工程、接口调用和多轮上下文，将自然语言内容转化为实体、属性和关系。
图数据库与 CQL
使用 Neo4j 的图数据结构、基本和进阶 CQL、CSV 导入与函数，管理可查询的知识网络。
Python 图谱编程
以 Py2neo 操作节点与关系，完成创建、修改、删除和查询等图谱应用逻辑。
函数调用与意图识别
把用户问题映射到图谱操作，连接大模型函数调用、意图识别和结构化查询。
垂直知识库问答
围绕电影、医疗等行业案例，使用 Streamlit 组织可交互的问答机器人前端。
FULL CURRICULUM
课程模块与学习安排
第一天建立知识抽取、图模型和图数据库基础；第二天将图谱、函数调用和 Web 前端串成可交互的问答应用。
DAY 01
单元 1 - 4
知识建模、抽取与图数据库
-
01
知识图谱概念与价值 了解知识图谱的诞生背景、核心概念、内容、分类、特点和商业价值，认识顶点、边、命名实体、实体关系及知识间关系。
-
02
知识表示与大模型抽取 认识 RDF、OWL 等知识表示方式，理解 DeepSeek 类大模型、提示词工程以及实体、属性、关系的知识抽取方法。
-
03
单轮与多轮知识抽取 使用接口调用大模型，在单轮和多轮对话场景中完成知识图谱抽取，建立非结构化文本到图结构的转换逻辑。
-
04
Neo4j 与 CQL 基础 完成 Neo4j 安装，理解图数据组成、CQL 基本命令、节点关系的增删改查、CSV 数据导入、进阶命令和函数应用。
DAY 02
单元 5 - 8
图谱问答与应用交付
-
05
Python 与 Py2neo 图谱编程 使用 Python 和 Py2neo 操作 Neo4j，完成节点和关系的创建、修改、删除和查询，构建可复用的图谱服务逻辑。
-
06
函数调用与电影图谱管理 理解大模型函数调用，在电影图谱场景中识别用户意图，完成图谱知识的添加、删除和修改操作。
-
07
电影知识库问答机器人 将图数据库查询与对话能力结合，完成面向电影知识库的问答机器人核心功能。
-
08
Streamlit 前端与医疗知识图谱 学习 Streamlit 的安装、文本、数据和表单展示，搭建问答机器人前端，并扩展到医疗知识库等垂直领域场景。
LEARNING EXPERIENCE
从 Python 基础出发，进入知识驱动的 AI 应用开发
课程不以深度学习理论为前置门槛，具备 Python 语法基础即可。你将通过讲解、演示、案例和练习，理解知识图谱如何服务于真实的检索、问答和决策辅助场景。
LEARNING OUTCOMES
完成学习后，你将能够
将知识图谱理论、大模型能力、图数据库操作和 Web 交互结合起来，形成构建知识库应用的基础工程能力。
解释知识图谱的基本结构与应用价值
能够理解实体、属性、关系、顶点和边，并用知识表示与图模型组织业务知识。
使用大模型完成文本知识抽取
能够通过提示词、接口调用和多轮上下文，从自然语言内容中提取实体、属性和关系。
在 Neo4j 中管理与查询图数据
能够使用 CQL 完成节点和关系的创建、修改、删除、查询、CSV 导入及函数应用。
使用 Python 连接图数据库服务
能够通过 Py2neo 将图谱的节点、关系和查询操作封装到 Python 应用逻辑中。
将用户意图连接到图谱操作与知识问答
能够理解函数调用与意图识别在图谱增删改查、查询生成和知识库问答中的作用。
交付面向垂直场景的问答原型
能够使用 Streamlit 组织交互前端，并将电影、医疗等领域知识库转化为可体验的问答应用。
PRACTICE SCENARIOS
从文本到图谱，再从图谱到可交互的智能问答
课程通过两个垂直案例说明知识图谱的落地方式：先将内容抽取成图结构，再结合图数据库查询和大模型对话，为用户提供更有上下文的问答体验。
知识抽取
文本转实体、属性与关系
图谱管理
Neo4j 查询与意图操作
问答服务
电影与医疗知识库应用
PRACTICE TOOLKIT
贯穿课程的知识图谱工具链
RDF / OWL
理解知识表示、实体关系与图模型，为可扩展的知识结构建立语言基础。
Neo4j / CQL
存储、管理和查询图数据，连接节点、关系、导入与函数等常用操作。
Py2neo
在 Python 中操作图数据库，封装节点、关系和查询逻辑，支撑应用开发。
大模型 + Streamlit
完成知识抽取、函数调用、意图识别与问答应用前端的组合实现。
让组织知识从“存着”走向“可查询、可对话、可复用”
围绕你的 Python 基础和业务领域，了解课程安排、案例方向与知识图谱应用路径。