qKnow
知识图谱+知识库RAG双引擎，拖拽式构建企业智能体
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
知识图谱+知识库RAG双引擎，拖拽式构建企业智能体
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
qKnow 千知平台：给企业知识装上「双引擎」的智能体构建基座
想象一下这样的场景：一家制造企业的维修手册存在 Word 文档里，工艺流程写在 Excel 表格里，客户反馈沉淀在邮件和 IM 聊天记录里——这些碎片化的知识散落在企业各个角落，AI 模型根本「看不见」，更谈不上理解和使用。qKnow（千知平台）要解决的就是这个问题：把散落的知识变成 AI 能理解、能推理、能调用的结构化资产。
qKnow 由江苏千桐科技有限公司主导开发，2025 年 5 月正式开源。千桐科技是一家专注于智能化信息系统的高新技术企业，长期服务于水利、工业制造等行业的数字化转型。在大量项目交付过程中，团队发现了一个共性痛点：每个客户都有大量「藏在文档里」的知识，但市面上的通用 AI 问答系统无法真正理解这些领域专属内容——因为缺乏对知识结构和业务关系的建模。
基于这一观察，千桐科技决定自研一套融合知识图谱与知识库 RAG 的双引擎知识管理平台，qKnow 应运而生。项目在 GitHub 获得 247 颗星、58 个 Fork，2026 年 6 月荣获 GitCode 年度最具影响力开源项目和 GVP（年度最有价值开源项目） 称号，成长速度在同类国产开源项目中处于领先梯队。
图1：qKnow 千知平台 banner（来源：Gitee 官方仓库）
qKnow 的核心创新在于不依赖单一技术路线，而是将知识图谱（Knowledge Graph）与检索增强生成（RAG）两条技术路线深度融合，取长补短：
知识图谱层（Neo4j 驱动）：负责将结构化/半结构化数据建模为实体-关系-属性的图谱网络，支持多跳推理查询。比如在泵站运维场景中，可以查询「安装了某品牌轴承的所有水泵，在过去一年出现过哪些故障模式」这类跨实体的复杂推理问题。
知识库 RAG 层：面向非结构化文档（PDF、Word、PPT 等），提供语义检索 + LLM 生成能力。平台内置了 @vue-office 系列组件，支持直接在浏览器内预览 Office 文档，无需下载到本地。结合向量检索（基于 Embedding 模型）和关键词召回的双路召回策略，提升检索精准度。
两条技术路线的融合点在于：当用户提问时，系统自动判断是走图谱推理路径还是 RAG 检索路径，甚至可以将两者结果融合后统一输出。
qKnow 采用经典的多模块 Maven 项目结构（v2.2.1），后端总计 12 个业务模块，职责清晰、分层合理：
| 模块 | 说明 |
|---|---|
qknow-framework | 公共配置层，含 auth（OAuth2）、common、security、redis、neo4j 等基础设施 |
qknow-module-ai | AI 能力模块，封装大模型调用（Spring AI） |
qknow-module-kg | 知识图谱模块，实体抽取、关系抽取、图谱构建 |
qknow-module-kb | 知识库模块，文档上传、切片、向量索引 |
qknow-module-app | 应用模块，Bot/Agent 创建、配置与发布 |
qknow-module-dm | 数据管理模块，数据源接入、ETL |
qknow-module-ext | 知识抽取模块，非结构化文本实体/关系抽取 |
qknow-module-kmc | 知识中心，统一知识资产管理与权限 |
qknow-module-system | 系统管理，用户、角色、权限 |
qknow-server | 启动入口，聚合所有模块 |
qknow-ui | Vue 3 前端，可视化编排界面 |
sql/ | 数据库初始化脚本 |
图2：qKnow 整体技术架构（来源：Gitee 官方仓库）
后端基于 JDK 17 + Spring Boot 3 + Spring Security 6，采用 Spring MVC + MyBatis-Plus 框架，数据层使用 Druid 连接池。与 AI 能力对接的核心是 Spring AI，这是 Spring 生态对大模型能力的标准化抽象层，支持灵活切换不同的模型服务商（OpenAI、Azure OpenAI、阿里通义等）。持久化方面使用了：
前端采用 Vue 3 + Vite + Element Plus + TypeScript 的现代组合。主要亮点包括：
qKnow 的知识抽取模块（qknow-module-ext）支持两种抽取策略：
规则配置抽取：基于正则表达式和预定义模板，适合结构固定的场景（如从合同文本中提取金额、日期等字段），不需要 GPU 资源，普通 CPU 即可运行。
LLM 智能抽取：调用大模型 API 从非结构化文本中抽取实体和关系，借助 Spring AI 的 PromptTemplate 能力构造抽取提示词，适合开放域文本。
两种策略可以叠加使用，规则优先兜底、LLM 负责扩展。
qKnow 提供了完整的 Docker Compose 编排方案，将所有基础设施依赖容器化，开发者只需执行以下命令即可完成全栈部署：
# 下载代码
git clone https://github.com/qiantongtech/qKnow.git
cd qKnow/docker
# 启动基础服务（MySQL、Redis、Neo4j、Nginx）
docker-compose --profile base up -d
# 启动 qKnow 后端服务
docker-compose --profile qknow up -d
平台默认账号：qKnow / qKnow123，启动后访问 http://localhost 即可进入管理后台。
有一点需要注意的是，当前 docker-compose 中后端服务需要提前构建镜像（mvn package 打包后构建 Docker 镜像），没有提供预构建的公开镜像地址，这增加了初次部署的时间成本。但对于已有私有化部署经验的企业团队来说，这套方案的灵活性更强——可以自由替换基础镜像、挂载自定义配置。
部署前置要求：服务器需安装 Docker 与 Docker Compose，内存建议 4GB+，磁盘 20GB+。无需 GPU——知识抽取和 RAG 推理都是通过调用外部大模型 API 实现，平台本身不承担模型推理计算。
qKnow 的应用层围绕 Bot（智能体） 展开，用户可以在可视化画布上通过拖拽节点来构建问答流程：
编排后的 Bot 可以发布为 Web 端对话应用，或通过 API 嵌入到企业现有系统中。平台还支持多 Bot 切换——不同业务场景使用不同的 Bot，互不干扰。
值得肯定的亮点：
客观存在的局限：
qKnow 的出现填补了国产开源领域中面向企业级场景的「知识图谱 + RAG」双引擎平台的空白。此前同类能力通常只有商业软件提供（如 Palantir、Glean 等国外产品），价格高昂且不透明。qKnow 以 Apache 2.0 协议开源，让国内中小企业也能以零授权成本获得同等能力。
从趋势看，qKnow 的发展路径是沿着「知识管理 → 智能问答 → 智能体构建」的路线快速迭代，v3.0.0 版本已引入插件化架构支持多智能体协同。平台在水利泵站运维和工业制造两个垂直场景已有标杆案例，证明了其行业落地的可行性。随着 v3.0 专业版的发布，qKnow 正从「知识工具」向「企业 AI 中枢」演进。
项目基本信息