Docs2KG：用大模型把 PDF、邮件、Excel 统一建成知识图谱，80% 的企业知识不再沉睡

企业里 80% 的知识困在非结构化文档里——PDF 合同、邮件往来、Excel 数据表、网页文档……每一种格式都有自己的结构，提取信息费时费力，查起来更是大海捞针。

Docs2KG（Document to Knowledge Graph）是 AI4WA 团队开源的一个框架，用大模型把异构文档统一构建成知识图谱，让非结构化数据的检索和探索变得简单。

GitHub: https://github.com/AI4WA/Docs2KG
官网: https://docs2kg.ai4wa.com/

一、Docs2KG 是什么？

Docs2KG 是一个大模型协作的知识图谱构建框架，核心思路：

1. 多格式支持：PDF、Word、Excel、邮件、网页，统一解析
2. 大模型提取：用 LLM 理解文档语义，提取实体和关系
3. 统一知识图谱：将异构文档中的信息融合为一个结构化的知识网络
4. 下游任务：问答、推理、数据分析

二、支持的文档类型

每种格式都有专门的解析器，转换为统一的中间表示后，再由大模型进行知识抽取。

三、工作原理

异构文档 → 格式解析器 → 统一中间表示
                                    ↓
                              大模型（LLM）
                                    ↓
                            实体 + 关系抽取
                                    ↓
                          知识图谱（Neo4j/图数据库）
                                    ↓
                          问答 / 推理 / 探索

关键设计：大模型负责理解，规则负责结构。Docs2KG 不只是让 LLM 读文档，它用 LLM 的语义理解能力配合格式的结构化信息，提取出高质量的知识三元组。

四、快速上手

# 安装
pip install Docs2KG
python -m spacy download en_core_web_sm

# 配置
export CONFIG_FILE=config.yml

# 运行
docs2kg

支持代码调用和命令行两种使用方式。

五、适用场景

• 企业知识管理：合同、邮件、报表统一建库
• 合规审计：从大量文档中提取关键实体（人名、金额、日期）进行关系分析
• 文献研究：论文、专利的知识点抽取和关联
• 数据湖探索：对非结构化数据资产进行初步结构化

六、局限性与注意事项

• 依赖大模型 API（OpenAI GPT 或兼容接口），需要配置 Key
• 知识图谱的质量高度依赖 LLM 的实体关系抽取能力
• 适合作为知识管理流水线的一环，而非直接面向业务人员的最终产品

七、总结

Docs2KG 的价值在于把「文档」变成「知识」。对于有大量非结构化文档积累的企业，它是把沉睡知识激活的第一步——先把文档变成图谱，后面的问答、分析、推理才有基础。

相关链接:

• GitHub: https://github.com/AI4WA/Docs2KG
• 官网: https://docs2kg.ai4wa.com/