Hyper-Extract 使用教程：一条命令把非结构化文档变成知识图谱
【免费下载链接】Hyper-ExtractHypergraph is more powerful. Transform unstructured text into structured knowledge with LLMs. Graphs, hypergraphs, and spatio-temporal extractions — with one command.项目地址: https://gitcode.com/GitHub_Trending/hy/Hyper-Extract
Hyper-Extract 是一个基于大语言模型的知识抽取框架：用一条命令把非结构化文档转成知识图谱、超图、时空图谱等结构化知识，内置 80+ 领域模板与主流模型 provider 配置，让"读文档"变成"查知识"。
📦 从一堆文档到可查询的知识库
一篇 20 页的论文、一份 30 分钟的财报电话会转录、一份长合同——有价值的信息（谁和谁有关系、事件发生在何时、风险点在哪）散落在自然语言里。想复用这些信息，你只能自己通读、手工整理进表格，或者让它们在文件夹里睡大觉。
Hyper-Extract 改变的就是这一环：把文档交给它，一条命令产出可搜索、可可视化、可对话的结构化知识库。而且不是一次性转换——每条知识都标注了来源，源文档更新时可以增量刷新、回滚旧内容，不用推倒重建。
🧩 理解核心机制：模板、方法与结构三层分工
最容易上手出错的地方，是把"知识抽取"理解成"调一次模型就完了"。Hyper-Extract 把这件事拆成三层：Template 定义抽什么，Method 定义怎么抽，Auto-Type 决定输出长什么样。
| 层 | 决定什么 | 在哪里选 |
|---|---|---|
| Templates | 抽什么：字段、实体、关系类型 | 模板画廊 内置 80+，或按模板设计指南自定义 |
| Methods | 怎么抽：chunk_rag 基线、GraphRAG、LightRAG、KG-Gen 等 11+ 引擎 | 模板自带默认值，也可显式指定method/xxx |
| Auto-Types | 输出结构：model / list / set 到时空图谱共 8 种 | 由模板自动选定，无需写代码 |
8 种输出结构覆盖了绝大多数场景：记录类（model 是单张卡片、list 是有序条目、set 是去重集合），图谱类（graph 存 A→B 二元关系，hypergraph 连接多个实体，temporal / spatial / spatio-temporal 再叠加时间与空间维度）。想要"要点清单"选 list，想要"关系网络"选 graph，想要"一次事件的完整链条"选 hypergraph。
🚀 快速开始：3 分钟装好并跑出第一张图谱
要做的只有两件事：安装，配置模型密钥。OpenAI 与百炼用一个 key 就能同时提供 LLM 和 embedding：
pip install hyperextract he config init -p openai -k YOUR_API_KEY然后挑模板——he list template列出全部内置模板，按 finance、legal、medical 等域组织。选好模板后，下面这条就是从安装到首次产出的最短路径（-l参数告诉模型文档语言）：
he parse document.md -t general/biography_graph -o ./kb/ -l zh命令跑完，./kb/就是你的第一个知识库，随后可以用he search提问、用he show打开图谱。
🛠️ 不止一条命令：进阶玩法
第一次抽取跑通之后，这些能力值得逐个体验：
- 语义检索与问答对话：
he search对知识库做向量检索；he talk -i进入交互模式，基于知识库回答，答案可追溯到来源。 - 增量更新与回滚：源文档出了新版，
he feed用同一个--source重新喂入，旧事实自动回滚；he remove --document可整体下线某份文档贡献的知识。 - 标签与范围检索：
he tag给文档打标，之后he search --tag把查询限定在特定范围内，减少噪音。 - 多格式导出：
he export支持 Obsidian 知识库（带[[双向链接]]）、GraphML、Cypher、CSV、JSON-LD，图谱能直接进别的工具。 - 本地部署：通过 vLLM 把 LLM 与 embedding 全跑在本机，数据不出机器。
- MCP 服务：安装
hyperextract[mcp]附加包后运行he-mcp，知识库就能变成支持 MCP 的 AI 助手可调用的工具。
he search ./kb/ "关键风险因素" he talk ./kb/ -i⚠️ 五个最常见的坑及解法
| 现象 | 原因 | 正确做法 |
|---|---|---|
No API key configured | provider 没配置 | he config init一步配好，或导出环境变量，再用he config show验证 |
Template 'xxx' not found | 模板名拼错 | 先he list template核对完整清单 |
--lang is required | 领域模板缺语言参数 | 补-l zh或-l en（method 模板不需要） |
| 搜索空结果 / 对话报 index 缺失 | 索引未构建 | 先he build-index ./kb/再查 |
| 输出目录已存在 | 目录已存在且未强制 | 加-f覆盖，或换-o输出目录 |
以上问题的展开版在故障排除文档里都能查到。另有一个前提常被忽略：所用模型必须支持 function calling，结构化抽取才能正常工作。
小结
Hyper-Extract 把"读文档→抽结构→建库→检索对话"这条长链路压缩成一套命令：模板替你省去设计、方法替你省去算法选型、来源追踪替你省下心力维护。装好之后，最快的上手方式就是手头那份真实文档——跑一条he parse，看看你的知识长什么样。
【免费下载链接】Hyper-ExtractHypergraph is more powerful. Transform unstructured text into structured knowledge with LLMs. Graphs, hypergraphs, and spatio-temporal extractions — with one command.项目地址: https://gitcode.com/GitHub_Trending/hy/Hyper-Extract
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
