法律法规智能知识图谱与问答系统

从非结构化法规文件到可检索知识

项目面向政府机构法律法规知识库场景。原始资料包含 PDF、扫描件和 Word 等不同形式，需要首先完成文档解析与结构化处理，再进一步抽取实体与关系、构建知识图谱，最终服务于智能检索与问答。

解决复杂表格解析问题

使用 MinerU 和 DeepDoc 处理 PDF 与扫描文档，并针对长表格、跨行和跨页表格调整解析逻辑。通过位置坐标判断跨页关系、合并跨页单元格、处理单列内容续接并过滤重复表头，提升复杂表格解析效果。

法律法规文档中大量内容以表格形式承载（如处罚标准、事项清单），表格解析质量直接决定后续实体与关系抽取的上限，因此这一步是整个流程的基础。

领域本体驱动的知识图谱构建

相比让大模型直接自由抽取三元组，项目采用先构建领域本体库，再通过本体约束和引导 LLM 抽取的方式，提高实体及关系抽取的一致性。

本体提前定义了法律法规领域的实体类型与关系类型，例如法律法规、行政主体、违法行为、处罚规则等节点类型，以及“依据”“处罚”“适用”等关系类型。模型在抽取时不再面对开放的标签空间，而是从受控的本体中选择，显著减少了同一实体被抽成不同类型、同一关系被写成不同名称这类不一致问题。

本体约束 + 多模型交叉校验

在抽取执行层面，使用 Qwen、GLM、DeepSeek 等模型进行三元组抽取，并通过跨模型结果交叉校验减少单模型产生的不稳定结果；最终图谱存储在 Neo4j 中。

单独依赖某一个模型时，抽取结果会随着提示词、文档措辞的变化产生波动。多模型交叉校验的做法是：对同一段落分别抽取，仅保留多模型一致或经过仲裁确认的三元组，用一致率换准确率，牺牲部分召回换取图谱整体的可信度。

从单次抽取流程到可管理的图谱工程

项目实际运行过程中需要同时管理不同领域、不同抽取策略以及图谱和向量数据状态。系统界面提供了领域项目管理、运行、编辑以及图谱/向量库状态查看等能力。

知识图谱构建不是一次性的脚本运行，而是一个持续进行的工程过程：新文档会不断入库，本体和抽取策略需要迭代，不同领域的图谱和向量库需要分别管理版本与状态。这要求把抽取流程封装成可重复运行、可增量补充、可回溯状态的任务，而不是一段一次性代码。

从纯向量 RAG 到 GraphRAG

对文本块和图谱节点分别进行向量化，构建文本检索与图谱检索双路信息来源；向量存储由 ChromaDB 本地方案逐步迁移到 Elasticsearch 统一管理。引入图谱信息后，逻辑关系类问题的检索效果得到改善，检索召回率由 90% 提升至 95%。

两类检索各有分工：向量检索擅长语义相近的段落召回，但对“A 法规的处罚由哪个机关执行”这类需要多跳关系的逻辑问题无能为力；图谱检索沿关系边查找，恰好补上逻辑关系类问题的缺口。两路上下文融合后交给 LLM 生成回答，效果优于任何单一来源。

从文档到答案（From Document to Answer）

整个系统的端到端工程链路：

1. 1

   PDF / 扫描件 / Word

   多格式原始文档接入

2. 2

   MinerU / DeepDoc 解析

   复杂表格与跨页内容处理

3. 3

   结构化内容

   文本块结构化与向量化

4. 4

   本体约束 + LLM 抽取

   本体约束下的三元组抽取与交叉校验

5. 5

   Neo4j 知识图谱 + Elasticsearch

   图谱与向量双存储

6. 6

   GraphRAG 双路检索

   文本 + 图谱双路上下文融合

7. 7

   生成回答

   LLM 生成最终回答

从文档入库到进入可问答状态约需 7–8 分钟（约 10 页文档量级），覆盖解析、抽取、图谱写入与向量化全过程，是批处理式的吞吐节奏，不是毫秒级的实时响应。

经验与反思

• 文档解析是知识工程的地基。 跨页表格、扫描件质量等“脏问题”消耗了项目前期最多的调试精力，解析质量直接决定图谱上限。
• 本体先行优于自由抽取。 先定义领域本体再约束 LLM 抽取，是控制抽取一致性的最有效手段；自由抽取的结果几乎无法直接入库。
• 多模型交叉校验是用一致率换准确率。 单模型抽取便宜但不稳定，多模型一致的信念更值得写入图谱。
• GraphRAG 的价值在逻辑关系类问题。 向量检索解决“语义相近”，图谱检索解决“关系推理”，双路融合才是完整答案。