这是一个基于知识图谱适用于Neo4j, 加plus版本情况, 结合大模型LLM类型, 具备图检索增强功能, 应用于乳制品生产管理领域的智能问答系统的计算机毕业设计, 属于大模型毕业设计范畴, 涉及人工智能方向, 包含源码、LW、PPT以及讲解内容, 首先呈现的是项目概述。本项目针对乳制品生产, 质量管控、批次追溯场景, 把文档知识, 产品档案, 生产记录, Neo4j知识图谱以及大语言模型整合至一个呈可视化的管理平台内。系统借由, 把图谱关系, 业务数据跟来源文档搭配成可拥有追溯性内容关联, 进而由, 调用文本或者视觉效果模型来生成答案。系统运用前后端分离架构, 前端运用Vue 3 , 后端运用3.13 Flask , 以保存业务数据与审计数据, Neo4j用于保存知识图谱。知识图谱构建借助本地乳制品词典、正则识别以及句内关系推断来进行, 不依赖大模型, 防止因模型限流致使建图迟缓或失败摘要、实体抽取、问答、会话标题以及图片理解依旧由模型路由来达成。2. 建设目标把等同于 TXT 的、PDF 的、DOCX 的、XLSX 的那些乳制品资料, 进行统一的归档, 予以提取, 还要实施检索。在本地, 快速地进行抽取, 抽取乳制品实体, 以及抽取关系之后写入 Neo4j, 以此形成领域知识图谱。将图谱、产品档案、生产批次和来源文档共同用于 问答。管理产品、生产线、质检指标、生产批次、过程图片和统计数据。借助多模型端点, 凭借独立访问顺序, 依靠失败兜底, 以此提高大模型服务可用性。提供用户、模型、业务数据和 全表管理能力。3. 项目创新点本项目的创新之处, 并非单纯地将“知识图谱”与“大语言模型”进行叠加。而是针对乳制品生产资料分散的状况, 以及模型服务不稳定的情形, 还有回答缺乏依据的问题, 甚至于生产数据难以联动的状况, 设计出了一套具有可落地性, 具备可追溯性, 拥有可管理性的业务闭环。3.1 面向乳制品生产的领域本体与业务语义建模系统并不采用通用实体标签, 而是针对乳制品生产过程, 界定了原材料、产品、中间产物、工艺步骤、设备、生产线、指标、检测方法、标准、微生物、营养成分、包装材料和风险事件等18类节点, 还有20类关系。领域本体能够表述“产品所使用的原料是什么”“工艺必备的条件有哪些”“指标运用的检测方法是什么”“哪些环节具备引发风险的可能性”等生产语义, 进而使得图谱不但能够用以知识查询, 而且能够服务于质量控制以及批次追溯。3.2 本地确定性建图与大模型能力解耦传统的做法一般是让大模型一段一段地去抽取三元组, 如此一来很容易受到访问被限制流量、网络出现延迟、输出格式产生波动以及调用成本等因素的影响。本本项目把知识图谱构建转变为本地乳制品词典、正则规则、实体类型组合以及句内关系推断:建图过程不调用外部模型可离线执行并显著降低接口依赖。相同文档在相同规则下得到稳定结果便于复现和测试。节点、关系、置信度和来源文本均经过白名单校验与去重。先将抽取结果写到审计表当中, 之后再把它同步至Neo4j, 以此兼顾查询性能以及过程追溯。这种设计并非全然排除大模型, 而是将大模型置于更适配的摘要环节, 置于更适配的语义理解环节, 置于更适配的标题生成环节, 置于更适配的图片理解环节, 置于更适配的回答生成环节, 以此达成“本地规则负责稳定建图, 大模型负责自然语言交互”的职责分离。3.3 图谱、产品、批次与文档的多源系统并非仅仅依赖图数据库进行检索, 也不是单纯依靠普通关键词来检索, 而是构建了三路协同检索方式, 其中, Neo4j 用于检索实体以及邻居路径, 用于匹配产品档案和生产批次, 文档数据则提供原始内容与来源信息。随后, 把用户问题、历史对话、图谱子图、产品、批次以及图片理解结果组合成结构化上下文, 然后再将其交给回答链。所以, 存在着这样一个情况, 一个问题它具备这样的特性, 既能够对工艺以及标准作出回答, 又能够与真实的产品以及生产批次产生关联。比如说, 当针对某一款发酵乳的关键工艺进行询问的时候, 系统能够在同一时间返回发酵的温度, 还有菌种, 以及质量指标, 和来源文档, 甚至还有相关的批次, 而不是单单仅给出通用性的知识。3.4 问答结果的证据溯源与可解释交互系统会把关键词、图谱负载、产品匹配、生产记录匹配、文档来源以及完整回答一并保存到, AI回答完毕之后才会展出检索面板, 用户能够点击文档、产品、批次跟图谱实体去查看详情, 此机制会将“模型给出的结论”与“系统检索到的依据”分开进行展示, 从而降低黑盒回答所带来的误用风险, 还能为质量问题复核提供证据链。3.5 文本与视觉模型分路由的自动兜底机制关于官方模型存在常常容易出现限流状况或者呈现不可用情形的问题, 系统于其之上达成能够进行配置的模型路由:文本模型和视觉模型分别维护访问顺序避免能力类型混用。管理员能够进行配置, 配置的内容有Base URL, 还有模型名称, 以及API Key, 包括超时, 也有重试, 另外有启停状态, 并且还有额外参数。首先被选的端点, 遭遇到鉴权失败的情况, 或者被限流, 又或者出现超时现象, 亦或是发生过载状况, 再要不然若给出异常响应时, 就会自动去尝试同类型挨着的下一个端点。模型密钥在首次从环境文件导入之后, 会加密保存到某个地方, 在运行期之时, 是统一由数据库进行管理的。用户删除的默认模型不会因项目重启被重复写入。这样的设计, 能让模型供应商具备可替换性, 业务层无需直接依赖特定某个厂商SDK, 并且还能提升文本问答以及多模态理解的连续可用性。3.6 面向长任务的可视化进度反馈流式问答, 采用、delta、done、error四类 SSE 事件, 用以将检索同生成这般繁复的过程, 实时予以正处在前端的反馈, 进而能提升长任务于可理解性以及可控性这方面的表现水平。目录进行批量建图, 批量生成摘要, 会话标题生成, 这些操作都极有可能持续数秒或者更长的时间长度。系统并非单是显示那静态加载图标, 而是会提供任务阶段, 当前处理对象, 进度百分比, 成功与失败数量, 以及重试提示。3.7 从知识管理到生产管理的闭环融合系统把文档管理、知识图谱、智能问答、产品档案、生产记录、过程图片、质量统计以及数据大屏置入到同一权限系统之中。知识并非仅仅局限于独立图谱展示层面, 而是能够跟生产线、批次、质检状态、关键指标、成本与产量数据相互联动, 进而构成“资料上传—知识抽取—图谱检索—智能问答—批次追溯—统计分析”的完整闭合环路。