Seamlessly transform unstructured data into structured Knowledge Graphs using advanced LLMs.
使用先进的 LLM 将非结构化数据无缝转换为结构化知识图谱。
Extract nodes, relationships, and their properties to create structured graphs.
提取节点、关系及其属性以创建结构化图。

Use a custom schema or existing schemas configured in the settings to generate graphs.
使用自定义模式或在设置中配置的现有模式来生成图。

View graphs for specific or multiple data sources simultaneously in Neo4j Bloom.
在 Neo4j Bloom 中同时查看特定或多个数据源的图。

Interact with your data in the Neo4j database through conversational queries.
通过对话式查询与 Neo4j 数据库中的数据交互。
Retrieve metadata about the source of responses to your queries.
检索有关查询响应来源的元数据。
For a dedicated chat interface, use the standalone chat application with the /chat-only route.
对于专用的聊天界面，请使用带有 /chat-only 路由的独立聊天应用程序。

OpenAI
OpenAI
Gemini
Gemini
Diffbot
Diffbot
Azure OpenAI (dev deployed version)
Azure OpenAI（开发部署版本）
Anthropic (dev deployed version)
Anthropic（开发部署版本）
Fireworks (dev deployed version)
Fireworks（开发部署版本）
Groq (dev deployed version)
Groq（开发部署版本）
Amazon Bedrock (dev deployed version)
Amazon Bedrock（开发部署版本）
Ollama (dev deployed version)
Ollama（开发部署版本）
Deepseek (dev deployed version)
Deepseek（开发部署版本）
Other OpenAI-compatible base URL models (dev deployed version)
其他与 OpenAI 兼容的基本 URL 模型（开发部署版本）

Easily monitor and track your LLM token usage for each user and database connection.
轻松监控和跟踪每个用户和数据库连接的 LLM token 使用情况。
Enable this feature by setting the TRACK_USER_USAGE environment variable to true in your backend configuration.
通过在后端配置中将 TRACK_USER_USAGE 环境变量设置为 true 来启用此功能。
View your daily and monthly token consumption and limits, helping you manage usage and avoid overages.
查看您的每日和每月 token 消耗量和限制，帮助您管理使用情况并避免超额使用。
You can check your remaining token limits at any time using the provided API endpoint.
您可以使用提供的 API 终结点随时查看剩余的 token 限制。

Choose from a variety of embedding models to generate vector embeddings for your data. This can be configured from the frontend in Graph Settings > Processing Configuration > Select Embedding Model.
从各种 embedding 模型中进行选择，为您的数据生成向量嵌入 (vector embeddings)。这可以在前端的“图设置 (Graph Settings) > 处理配置 (Processing Configuration) > 选择 Embedding 模型 (Select Embedding Model)”中进行配置。
Supported model providers include OpenAI, Gemini, Amazon Titan, and Sentence Transformers.
支持的模型提供商包括 OpenAI、Gemini、Amazon Titan 和 Sentence Transformers。
Your selected embedding model is saved to your user profile when TRACK_USER_USAGE is enabled.
启用 TRACK_USER_USAGE 后，您选择的 embedding 模型将保存到您的用户个人资料中。

With User Tracking (TRACK_USER_USAGE=true):

• Set TRACK_USER_USAGE to true in your backend .env file.
使用用户跟踪 (TRACK_USER_USAGE=true)： 在您的后端 .env 文件中将 TRACK_USER_USAGE 设置为 true。
Provide your token tracking database credentials (TOKEN_TRACKER_DB_URI, TOKEN_TRACKER_DB_USERNAME, etc.).
提供您的 token 跟踪数据库凭据（TOKEN_TRACKER_DB_URI、TOKEN_TRACKER_DB_USERNAME 等）。
Select your desired embedding model from the frontend. Your selection will be saved and automatically used in subsequent sessions.
从前端选择您所需的嵌入模型（embedding model）。您的选择将被保存，并在后续会话中自动使用。

Without User Tracking (TRACK_USER_USAGE=false):

• Set TRACK_USER_USAGE to false.
无用户追踪（User Tracking）（TRACK_USER_USAGE=false）： 将 TRACK_USER_USAGE 设置为 false。
Specify the embedding model and provider directly in your backend .env file using EMBEDDING_MODEL and EMBEDDING_PROVIDER.
使用 EMBEDDING_MODEL 和 EMBEDDING_PROVIDER，直接在您的后端 .env 文件中指定嵌入模型和提供商（provider）。
If these variables are not set, the application defaults to a Sentence Transformer model.
如果未设置这些变量，应用程序将默认使用 Sentence Transformer 模型。
In this mode, the embedding model cannot be changed from the frontend.
在此模式下，无法从前端更改嵌入模型。

Supported LLM Models:
By default, only OpenAI and Diffbot are enabled. Gemini requires additional GCP configurations.
Use the VITE_LLM_MODELS_PROD variable to configure the models you need. Example:

VITE_LLM_MODELS_PROD="gemini_2.5_flash,openai_gpt_5_mini,diffbot,anthropic_claude_4.5_haiku"

支持的 LLM 模型：默认情况下，仅启用 OpenAI 和 Diffbot。Gemini 需要额外的 GCP 配置。使用 VITE_LLM_MODELS_PROD 变量来配置您需要的模型。例如： VITE_LLM_MODELS_PROD="gemini_2.5_flash,openai_gpt_5_mini,diffbot,anthropic_claude_4.5_haiku"

Input Sources:
By default, the following sources are enabled: local, YouTube, Wikipedia, AWS S3, and web.
To add Google Cloud Storage (GCS) integration, include gcs and your Google client ID:

VITE_REACT_APP_SOURCES="local,youtube,wiki,s3,gcs,web"
VITE_GOOGLE_CLIENT_ID="your-google-client-id"

输入源：默认情况下，启用以下源：local、YouTube、Wikipedia、AWS S3 和 web。要添加 Google Cloud Storage (GCS) 集成，请包含 gcs 和您的 Google 客户端 ID： VITE_REACT_APP_SOURCES="local,youtube,wiki,s3,gcs,web" VITE_GOOGLE_CLIENT_ID="your-google-client-id"

By default, all modes are enabled: vector, graph_vector, graph, fulltext, graph_vector_fulltext, entity_vector, and global_vector.
默认情况下，所有模式均已启用：vector、graph_vector、graph、fulltext、graph_vector_fulltext、entity_vector 和 global_vector。
To specify specific modes, update the variable. For example:
VITE_CHAT_MODES="vector,graph"
要指定特定模式，请更新变量。例如：VITE_CHAT_MODES="vector,graph"

Create a .env file in the frontend folder by copying frontend/example.env.
通过复制 frontend/example.env 在前端文件夹中创建一个 .env 文件。
Update environment variables as needed.
根据需要更新环境变量。
Run:
cd frontend
  yarn
  yarn run dev
运行：cd frontend yarn yarn run dev

Create a .env file in the backend folder by copying backend/example.env.
通过复制 backend/example.env 在后端文件夹中创建一个 .env 文件。
Pre-configure user credentials in the .env file to bypass the login dialog:
NEO4J_URI=<your-neo4j-uri>
NEO4J_USERNAME=<your-username>
NEO4J_PASSWORD=<your-password>
NEO4J_DATABASE=<your-database-name>
在 .env 文件中预配置用户凭据以绕过登录对话框：NEO4J_URI=<your-neo4j-uri> NEO4J_USERNAME=<your-username> NEO4J_PASSWORD=<your-password> NEO4J_DATABASE=<your-database-name>
Run:
cd backend
  python -m venv envName
  source envName/bin/activate
  pip install -r requirements.txt
  uvicorn score:app --reload
运行：cd backend python -m venv envName source envName/bin/activate pip install -r requirements.txt uvicorn score:app --reload

gcloud run deploy dev-frontend \
  --source . \
  --region us-central1 \
  --allow-unauthenticated

gcloud run deploy dev-backend \
  --set-env-vars "OPENAI_API_KEY=<your-openai-api-key>" \
  --set-env-vars "DIFFBOT_API_KEY=<your-diffbot-api-key>" \
  --set-env-vars "NEO4J_URI=<your-neo4j-uri>" \
  --set-env-vars "NEO4J_USERNAME=<your-username>" \
  --set-env-vars "NEO4J_PASSWORD=<your-password>" \
  --source . \
  --region us-central1 \
  --allow-unauthenticated

Pull the docker image of ollama
docker pull ollama/ollama
拉取 ollama 的 docker 镜像 docker pull ollama/ollama
Run the ollama docker image
docker run -d -v ollama:/root/.ollama -p 11434:11434 --name ollama ollama/ollama
运行 ollama docker 镜像 docker run -d -v ollama:/root/.ollama -p 11434:11434 --name ollama ollama/ollama
Execute any llm model, e.g., llama3
docker exec -it ollama ollama run llama3
执行任何 llm 模型，例如 llama3 docker exec -it ollama ollama run llama3
Configure env variable in docker compose.
LLM_MODEL_CONFIG_ollama_<model_name>
# example
LLM_MODEL_CONFIG_ollama_llama3=${LLM_MODEL_CONFIG_ollama_llama3-llama3,http://host.docker.internal:11434}
在 docker compose 中配置 env 变量。LLM_MODEL_CONFIG_ollama_<model_name> # 示例 LLM_MODEL_CONFIG_ollama_llama3=${LLM_MODEL_CONFIG_ollama_llama3-llama3,http://host.docker.internal:11434}
Configure the backend API url
VITE_BACKEND_API_URL=${VITE_BACKEND_API_URL-backendurl}
配置后端 API url VITE_BACKEND_API_URL=${VITE_BACKEND_API_URL-backendurl}
Open the application in browser and select the ollama model for the extraction.
在浏览器中打开应用程序，然后选择 ollama 模型进行提取。
Enjoy Graph Building.
享受图构建的乐趣。

Usage

Connect to a Neo4j Aura Instance, which can be either AURA DS or AURA DB, by passing the URI and password through the backend environment, filling in the login dialog, or dragging and dropping the Neo4j credentials file.
通过后端环境传递 URI 和密码、填写登录对话框或拖放 Neo4j 凭据文件，连接到 Neo4j Aura 实例，它可以是 AURA DS 或 AURA DB。
To differentiate, we have added different icons. For AURA DB, there is a database icon, and for AURA DS, there is a scientific molecule icon right under the Neo4j Connection details label.
为了区分，我们添加了不同的图标。对于 AURA DB，有一个数据库图标，对于 AURA DS，在 Neo4j 连接详细信息标签下有一个科学分子图标。
Choose your source from a list of unstructured sources to create a graph.
从非结构化源列表中选择您的源以创建图。
Change the LLM (if required) from the dropdown, which will be used to generate the graph.
如果需要，从下拉列表中更改 LLM (Large Language Model)，它将用于生成图表。
Optionally, define the schema (nodes and relationship labels) in the entity graph extraction settings.
（可选）在实体图提取设置中定义模式（节点和关系标签）。
Either select multiple files to 'Generate Graph', or all the files in 'New' status will be processed for graph creation.
可以选择多个文件以“Generate Graph”（生成图表），或者将处理所有状态为“New”（新建）的文件以创建图表。
View the graph for individual files using 'View' in the grid, or select one or more files and 'Preview Graph'.
使用网格中的“View”（查看）查看单个文件的图表，或选择一个或多个文件并“Preview Graph”（预览图表）。
Ask questions related to the processed/completed sources to the chatbot. Also, get detailed information about your answers generated by the LLM.
向聊天机器人提出与已处理/完成的来源相关的问题。此外，还可以获得有关 LLM (Large Language Model) 生成的答案的详细信息。

ENV

Backend example.env
后端 example.env
Frontend example.env
前端 example.env

Connect your repository to Google Cloud Build:

• In the Google Cloud Console, go to Cloud Build > Triggers.
将您的存储库连接到 Google Cloud Build： 在 Google Cloud Console 中，转到 Cloud Build > Triggers（触发器）。
Create a new trigger and select your repository.
创建一个新的触发器并选择您的存储库。
Set the trigger to run on push to your desired branch (main, staging, or dev).
设置触发器以在推送到您所需的分支（main、staging 或 dev）时运行。
Cloud Build will automatically use the cloudbuild.yaml file in the root of your repository.
Cloud Build 将自动使用您存储库根目录中的 cloudbuild.yaml 文件。

Configure Substitutions and Secrets:

• In the trigger settings, add required substitutions (e.g., _OPENAI_API_KEY, _DIFFBOT_API_KEY, etc.) as environment variables or use Secret Manager for sensitive data.
配置替换和密钥： 在触发器设置中，添加所需替换（例如，_OPENAI_API_KEY、_DIFFBOT_API_KEY 等）作为环境变量，或者使用 Secret Manager 管理敏感数据。

Push your code:

• When you push to the configured branch, Cloud Build will build and deploy your backend (and optionally frontend) to Cloud Run using the steps defined in cloudbuild.yaml.
推送您的代码： 当您推送到配置的分支时，Cloud Build 将构建您的后端（以及可选的前端），并使用 cloudbuild.yaml 中定义的步骤将其部署到 Cloud Run。

Set up Google Cloud SDK and authenticate:

gcloud auth login
gcloud config set project <YOUR_PROJECT_ID>

设置 Google Cloud SDK 并进行身份验证： gcloud auth login gcloud config set project <YOUR_PROJECT_ID>

Run Cloud Build manually:

gcloud builds submit --config cloudbuild.yaml \
  --substitutions=_REGION=us-central1,_REPO=cloud-run-repo,_OPENAI_API_KEY=<your-openai-key>,_DIFFBOT_API_KEY=<your-diffbot-key>,_BUCKET_UPLOAD_FILE=<your-bucket>,_BUCKET_FAILED_FILE=<your-bucket>,_PROJECT_ID=<your-project-id>,_GCS_FILE_CACHE=False,_TRACK_USER_USAGE=False,_TOKEN_TRACKER_DB_URI=...,_TOKEN_TRACKER_DB_USERNAME=...,_TOKEN_TRACKER_DB_PASSWORD=...,_TOKEN_TRACKER_DB_DATABASE=...,_DEFAULT_DIFFBOT_CHAT_MODEL=...,_YOUTUBE_TRANSCRIPT_PROXY=...,_EMBEDDING_MODEL=...,
  _EMBEDDING_PROVIDER=...,_BEDROCK_EMBEDDING_MODEL_KEY=...,_LLM_MODEL_CONFIG_OPENAI_GPT_5_2=...,_LLM_MODEL_CONFIG_OPENAI_GPT_5_MINI=...,_LLM_MODEL_CONFIG_GEMINI_2_5_FLASH=...,_LLM_MODEL_CONFIG_GEMINI_2_5_PRO=...,_LLM_MODEL_CONFIG_DIFFBOT=...,_LLM_MODEL_CONFIG_GROQ_LLAMA3_1_8B=...,_LLM_MODEL_CONFIG_ANTHROPIC_CLAUDE_4_5_SONNET=...,_LLM_MODEL_CONFIG_ANTHROPIC_CLAUDE_4_5_HAIKU=...,_LLM_MODEL_CONFIG_LLAMA4_MAVERICK=...,_LLM_MODEL_CONFIG_FIREWORKS_QWEN3_30B=...,_LLM_MODEL_CONFIG_FIREWORKS_GPT_OSS=...,_LLM_MODEL_CONFIG_FIREWORKS_DEEPSEEK_V3=...,_LLM_MODEL_CONFIG_BEDROCK_NOVA_MICRO_V1=...,_LLM_MODEL_CONFIG_BEDROCK_NOVA_LITE_V1=...,_LLM_MODEL_CONFIG_BEDROCK_NOVA_PRO_V1=...,_LLM_MODEL_CONFIG_OLLAMA_LLAMA3=...

• Replace the values in angle brackets with your actual configuration and secrets.
手动运行 Cloud Build： gcloud builds submit --config cloudbuild.yaml \ --substitutions=_REGION=us-central1,_REPO=cloud-run-repo,_OPENAI_API_KEY=<your-openai-key>,_DIFFBOT_API_KEY=<your-diffbot-key>,_BUCKET_UPLOAD_FILE=<your-bucket>,_BUCKET_FAILED_FILE=<your-bucket>,_PROJECT_ID=<your-project-id>,_GCS_FILE_CACHE=False,_TRACK_USER_USAGE=False,_TOKEN_TRACKER_DB_URI=...,_TOKEN_TRACKER_DB_USERNAME=...,_TOKEN_TRACKER_DB_PASSWORD=...,_TOKEN_TRACKER_DB_DATABASE=...,_DEFAULT_DIFFBOT_CHAT_MODEL=...,_YOUTUBE_TRANSCRIPT_PROXY=...,_EMBEDDING_MODEL=..., _EMBEDDING_PROVIDER=...,_BEDROCK_EMBEDDING_MODEL_KEY=...,_LLM_MODEL_CONFIG_OPENAI_GPT_5_2=...,_LLM_MODEL_CONFIG_OPENAI_GPT_5_MINI=...,_LLM_MODEL_CONFIG_GEMINI_2_5_FLASH=...,_LLM_MODEL_CONFIG_GEMINI_2_5_PRO=...,_LLM_MODEL_CONFIG_DIFFBOT=...,_LLM_MODEL_CONFIG_GROQ_LLAMA3_1_8B=...,_LLM_MODEL_CONFIG_ANTHROPIC_CLAUDE_4_5_SONNET=...,_LLM_MODEL_CONFIG_ANTHROPIC_CLAUDE_4_5_HAIKU=...,_LLM_MODEL_CONFIG_LLAMA4_MAVERICK=...,_LLM_MODEL_CONFIG_FIREWORKS_QWEN3_30B=...,_LLM_MODEL_CONFIG_FIREWORKS_GPT_OSS=...,_LLM_MODEL_CONFIG_FIREWORKS_DEEPSEEK_V3=...,_LLM_MODEL_CONFIG_BEDROCK_NOVA_MICRO_V1=...,_LLM_MODEL_CONFIG_BEDROCK_NOVA_LITE_V1=...,_LLM_MODEL_CONFIG_BEDROCK_NOVA_PRO_V1=...,_LLM_MODEL_CONFIG_OLLAMA_LLAMA3=... 将尖括号中的值替换为您实际的配置和密钥。
You can omit or add substitutions as needed for your deployment.
您可以根据部署的需要省略或添加替换。

Monitor the build:

• The build and deployment process will be visible in the Cloud Build console.
监控构建： 构建和部署过程将在 Cloud Build 控制台中可见。

Access your deployed service:

• After deployment, your backend will be available at the Cloud Run service URL shown in the Cloud Console.
访问您部署的服务： 部署后，您的后端将在 Cloud Console 中显示的 Cloud Run 服务 URL 上可用。

Note:

The cloudbuild.yaml file supports multiple environments (main, staging, dev) based on the branch name.
cloudbuild.yaml 文件支持基于分支名称的多个环境（main、staging、dev）。
The frontend build and deployment steps are commented out by default. Uncomment them in cloudbuild.yaml if you wish to deploy the frontend as well.
默认情况下，前端构建和部署步骤已注释掉。 如果您也希望部署前端，请在 cloudbuild.yaml 中取消注释它们。

Links