农业知识问答与知识图谱 Demo

一个面向面试展示的农业领域 RAG 问答 Demo。项目使用 Flask 搭建 Web 应用，结合轻量文本检索、知识图谱实体关联和 Ollama 本地大模型，实现农业病害、缺素和土壤管理问题的问答演示。

项目亮点

• RAG 问答流程：先检索农业知识库，再把召回证据作为上下文交给本地模型生成答案。
• 混合检索：使用轻量 TF-IDF 风格文本检索 + 知识图谱实体关系扩展召回。
• 本地大模型：默认接入 Ollama 的 qwen2.5:3b，不依赖云端 API。
• 知识图谱可视化：前端展示相关实体、关系边和检索证据，增强可解释性。
• 多轮上下文：使用 Flask session 保存最近对话，支持连续追问。
• 可选 Neo4j：内置 /api/neo4j/sync，配置后可将三元组同步到 Neo4j。

技术栈

• Python 3.10+
• Flask
• Ollama / Qwen2.5
• Neo4j Python Driver（可选）
• HTML / CSS / 原生 JavaScript / Canvas

快速运行

Windows 可以直接双击：

start_demo.bat

或手动运行：

python -m venv .venv
.venv\Scripts\activate
pip install -r requirements.txt
python app.py

浏览器打开：

http://127.0.0.1:5000

Ollama 本地模型配置

项目会优先调用本机 Ollama：

http://localhost:11434/api/generate

推荐模型：

ollama pull qwen2.5:3b

也可以通过 .env 或环境变量指定：

OLLAMA_HOST=http://localhost:11434
OLLAMA_MODEL=qwen2.5:3b

模型选择逻辑：

1. 如果设置了 OLLAMA_MODEL，优先使用指定模型。
2. 否则自动读取本机 Ollama 模型列表，优先选择 Qwen 系列。
3. 如果没有 Qwen，则使用 llama3.2。
4. 如果 Ollama 不可用，自动退回规则摘要模型，保证 Demo 可演示。

项目结构

.
├── app.py
├── data/
│   └── agri_knowledge.json
├── scripts/
│   └── evaluate_demo.py
├── static/
│   ├── app.js
│   └── styles.css
├── templates/
│   └── index.html
├── .env.example
├── .gitignore
├── requirements.txt
├── start_demo.bat
└── README.md

核心流程

1. 用户在页面输入农业问题。
2. 前端调用 /api/ask。
3. 后端执行混合检索：
   • 文本检索召回相关知识文档。
   • 图谱检索根据作物、病害、症状等实体扩展关联知识。
4. 合并召回结果并生成知识上下文。
5. 调用 Ollama 本地模型生成答案。
6. 前端展示答案、检索证据、响应耗时和知识图谱。

主要接口

接口	方法	说明
/	GET	Web 页面
/api/ask	POST	问答接口
/api/examples	GET	示例问题
/api/health	GET	健康检查
/api/reset	POST	清空多轮对话
/api/neo4j/sync	POST	同步三元组到 Neo4j

简单验证

python scripts/evaluate_demo.py

脚本会验证典型问题是否能召回正确知识点，例如稻瘟病、玉米缺氮、番茄晚疫病和黄瓜霜霉病。

可选：同步 Neo4j

配置环境变量：

set NEO4J_URI=bolt://localhost:7687
set NEO4J_USER=neo4j
set NEO4J_PASSWORD=your_password

启动服务后调用：

curl -X POST http://127.0.0.1:5000/api/neo4j/sync

后续扩展

• 将轻量检索替换为 FAISS 或 Chroma 向量库。
• 使用 nomic-embed-text 或中文 embedding 模型生成真实向量。
• 将内存图谱查询替换为 Neo4j Cypher 查询。
• 增加更多农业知识来源、测试集和指标统计。
• 加入用户反馈，记录低质量回答并迭代知识库。