Hyper-Extract Course KG Demo

一个基于 Hyper-Extract 的课程知识图谱后端原型。

它的核心目标是验证：

1. 使用模板从课程文本中抽取结构化知识
2. 将结果保存为 Hyper-Extract 的 Knowledge Abstract
3. 支持增量补充、索引重建和语义检索
4. 将 Knowledge Abstract 转成前端可视化图谱

详细架构见：

• ARCHITECTURE.md

核心目录：

• 后端入口：app.py
• Hyper-Extract 服务层：service.py
• Hyper-Extract 运行时：runtime.py
• 图谱适配层：adapters.py
• 课程模板：course_graph.yaml

cd /Users/mikasa/test/graphrag_course_kg
./scripts/run_app.sh

访问：

http://127.0.0.1:8000

• 查看环境状态
• 查看 Provider 配置
• 使用课程模板创建 Knowledge Abstract
• 对现有 Knowledge Abstract 做增量 feed
• 重建索引
• 读取图谱 JSON
• 进行语义搜索

Hyper-Extract 当前在这个项目里走的是 OpenAI 兼容客户端：

• LLM：ChatOpenAI
• Embedder：OpenAIEmbeddings

默认接入 OpenAI API；如果你的模型服务兼容 OpenAI 风格接口，也可以通过 OPENAI_BASE_URL 或 /api/provider 接入。

推荐配置方式：

1. 通过 /api/provider 写入项目配置
2. 或直接设置环境变量：

export OPENAI_API_KEY=your-key
export OPENAI_MODEL=gpt-4.1-mini
export OPENAI_EMBEDDING_MODEL=text-embedding-3-small
export OPENAI_WIRE_API=responses
export OPENAI_REASONING_EFFORT=medium

# 可选：只有接入自定义 OpenAI-compatible endpoint 时才需要
export OPENAI_BASE_URL=https://your-openai-compatible-endpoint/v1

旧版围绕：

• GraphRAG workspace
• parquet 输出
• 导入图谱

新版围绕：

• Hyper-Extract Template
• Knowledge Abstract 目录
• 增量补充与检索

所以它更适合接正式业务后端。