如何构建一个简单的图谱式 RAG 应用－上篇

山行AI

发布于 2026-03-13 20:49:03

980

👉该应用与笔记本的配套代码可见这里[1]。

知识图谱（ KGs）和大语言模型（LLMs）可谓是天作之合。这两种技术之间的互补性，但简而言之就是， LLM 的一些主要弱点，比如它们是黑箱模型、在事实知识方面表现不佳，恰恰是知识图谱最擅长的领域。知识图谱本质上是“事实的集合”，而且完全可解释。

什么是 Graph RAG？

本文的核心在于如何构建一个简单的 Graph RAG 应用？

RAG（Retrieval-Augmented Generation，检索增强生成）是指检索相关信息来补充发送给 LLM 的提示内容，以便生成更准确、更有上下文的回答。而 Graph RAG，则是指使用“知识图谱”作为检索部分的增强手段。

如果你没听说过 Graph RAG，或者需要复习一下，可以观看这个视频[2]。

为何要使用 Graph RAG？

与其直接把提示词送入一个未接触过你数据的 LLM，不如先从相关数据中检索出信息，用这些信息补充你的提示词。

一个常用的例子是：

我将职位描述和我的简历一起复制到 ChatGPT 中，请它帮我写一封求职信。有了这些上下文，LLM 回答“写一封求职信”这个提示词时，就能生成更贴合、相关性更强的内容。

知识图谱正是用来存储结构化知识的利器，特别适合用于补充 LLM 的上下文信息，从而提升生成结果的准确度和相关性。

Graph RAG 的应用场景

Graph RAG 技术在许多行业都有广泛应用，包括但不限于：

•客户服务机器人[3]•新药研发（药物发现）[4]•生命科学行业的自动合规报告生成[5]•人力资源中的人才获取与管理 [6]•法律研究与文书撰写[7]•财富管理顾问助手[8]

由于这项技术能够大幅提升 LLM 工具的性能，Graph RAG 近年来迅速走红。

以下是一张基于 Google 搜索趋势绘制的图表，展示了公众对该技术兴趣的增长：

Graph RAG 的热度正在飙升

Graph RAG 的搜索热度出现了激增，甚至超过了“知识图谱”和“检索增强生成（Retrieval-Augmented Generation）”等术语。需要注意的是，Google Trends 测量的是相对搜索兴趣，而非绝对搜索次数。2024 年 7 月 Graph RAG 搜索量的激增，恰逢微软宣布其 GraphRAG 应用将在 GitHub 上开放获取 的那一周。

这股 Graph RAG 的热潮并不止于微软。以下是行业中的几个关键事件：

📌 三星收购 RDFox

2024 年 7 月，三星收购了知识图谱公司 RDFox。虽然宣布收购的文章并未直接提到 Graph RAG，但在 2024 年 11 月《福布斯》的文章中，一位三星发言人表示：

“我们计划发展知识图谱技术，这将成为个性化 AI 的核心技术之一，并与生成式 AI 有机融合，以支持面向用户的定制化服务。”

📌 Ontotext 与 Semantic Web 公司合并，组建 Graphwise

2024 年 10 月，领先的图数据库公司 Ontotext 与知识图谱平台 PoolParty 的开发商 Semantic Web 公司完成合并，成立了 Graphwise。

根据新闻稿，这次合并的目标是：

“推动 Graph RAG 作为一个独立技术类别的普及和发展。”

这不仅是风口，更是实际落地的转型。虽然 Graph RAG 的热度部分受益于聊天机器人和生成式 AI 的整体热潮，但它的核心反映出一种真实且深刻的技术演进 —— 知识图谱在解决复杂现实问题中的新角色。

✅ 实战案例：LinkedIn 提升客服支持效率

LinkedIn 就使用 Graph RAG 改进了其技术客服系统。

•Graph RAG 能够从以往的工单记录中检索出相关内容（如已解决的相似问题），并用于补充 LLM 的回答输入。•因此，客服回答的准确性大幅提升，平均问题处理时间从 40 小时降至 15 小时。

如何构建一个简单的 Graph RAG 实例应用？

接下来我将带你搭建一个非常简单，但具有代表性的 Graph RAG 应用示例，演示这一技术如何在实际中工作。最终产出将是一个非技术用户也能直接使用的应用。我会使用来自 PubMed 的医学期刊文章作为数据集。设想这是一个供医疗领域人员进行文献综述的工具。当然，这些原理也可以被灵活地应用到许多其他场景中，这正是 Graph RAG 令人激动的原因所在。

本篇文章和我们将要构建的应用，其结构如下所示：

第0步：准备数据

我们将在下文详细解释数据准备的步骤，但总体目标包括向量化原始数据，将原始数据转化为 RDF 知识图谱。

只要我们在向量化前保持每篇文章的 URI 与文章绑定，就可以在文章构建的知识图谱与文章所在的向量空间之间进行导航。

然后，我们可以按以下步骤操作：

1.文章检索：使用向量数据库的能力，根据搜索词对相关医学文章进行初步搜索。我们将通过向量相似度来检索那些与搜索词最相似的文章向量。2.术语精炼：探索 MeSH（医学主题词表） 的生物医学词汇系统，从中选择合适的术语，以用于筛选第一步中得到的文章。MeSH 是一个标准化控制词汇表，包含医学术语、同义词、更窄的概念、以及丰富的语义属性与关系。3.筛选与摘要生成：使用 MeSH 术语对文章进行进一步筛选，防止“上下文污染（context poisoning）”。然后将筛选后的文章连同提示词（例如 “用项目符号列出摘要”）一并发送给 LLM 生成总结。

在正式开始前，这里有几点说明：

•知识图谱只用于元数据管理。我们在这个应用中将知识图谱专门用于结构与语义管理，这是因为我们的每篇文章都已被标注为属于某个控制词汇系统。向量数据库用于基于“语义相似度”的检索。知识图谱用于“语义关系的结构化管理”。

向量数据库可以告诉我们 “食管癌” 和 “口腔癌” 在语义上是相似的，而知识图谱则可以告诉我们这两个病症之间到底是什么关系。

•我们所用的数据集来自 PubMed，包含表格结构（structured/tabular），每篇文章的摘要文本 ，使用 MeSH 控制词汇 进行了标注。我们称这个项目为 “Graph RAG for Medicine”，是因为它处理的是医学领域的数据。

⚠️ 但请注意：这一结构与方法完全可以迁移到其他领域，并不局限于医学。

•通过这个应用和教程，我想说明一个核心观点，如果你在 RAG 应用中引入知识图谱作为检索步骤的一部分，你将能显著提升 准确性（accuracy） 与 可解释性（explainability）。具体地说，知识图谱能以两种方式改进 RAG 应用：1. 提供一个清晰的上下文筛选机制，确保只将最相关的信息提供给 LLM ；2. 通过使用领域专家维护的控制词汇体系，利用其丰富的语义关系进行高质量过滤。下一步我们将开始应用构建过程，逐步实现上述结构。

•　本教程和应用没有直接展示的，是知识图谱（KGs）提升 RAG 应用的另外两种重要方式：治理、访问控制与合规性；以及效率与可扩展性。在治理方面，KG 不仅可以通过过滤相关内容来提高准确性 —— 它们还能执行数据治理策略。例如，如果某个用户没有权限访问某些内容，这些内容可以被从其 RAG 流程中排除。在效率与可扩展性方面，KG 可确保 RAG 应用不会“胎死腹中”。虽然构建一个令人惊艳的单次性 RAG 应用很容易（本教程正是这样一个例子），但许多公司却面临大量缺乏统一框架、结构或平台的零散 POC，这些应用往往难以长期存续。一个由 KG 支持的元数据层可以打破数据孤岛，为构建、扩展和维护 RAG 应用提供基础。使用如 MeSH 这类丰富的控制词汇作为文章的元数据标签，是确保此 Graph RAG 应用能集成入其他系统并避免孤立化的有效手段。

第 0 步：准备数据

用于准备数据的代码见本Notebook[9]。

如前所述，我再次选用了来自 PubMed 数据库的 50,000 篇研究文章的数据集[10]（许可协议：CC0 公共领域）。该数据集包含文章标题、摘要，以及一个用于元数据标签的字段。这些标签来自 MeSH（医学主题词表）控制词汇表。实际上，这些 PubMed 文章只是关于文章的元数据 —— 每篇文章都有摘要，但不包含全文。数据本身已经是表格格式，并且打上了 MeSH 标签。

我们可以直接对这个表格数据集进行向量化。也可以在向量化前将其转为图结构（RDF），但在本应用中我没有这么做，也不确定这样是否对这种数据类型的最终结果有帮助。向量化原始数据的关键步骤是：先为每篇文章添加唯一资源标识符[11]（URI）。URI 是在 RDF 数据中进行导航的唯一 ID，只有这样我们才能在向量空间和图谱实体之间进行切换。此外，我们还将在向量数据库中为 MeSH 术语创建一个独立集合。这样用户即使不了解该控制词汇表，也能搜索到相关术语。下图展示了我们在数据准备阶段所做的事情：

我们在向量数据库中有两个集合可供查询：articles（文章） 和 terms（术语）。同时，我们也将数据以 RDF 格式表示成了图结构。由于 MeSH 提供了 API，因此我会直接通过调用 API 来获取术语的替代名称和更窄的概念。

在 Weaviate 中向量化数据

首先导入所需的包，并设置 Weaviate 客户端：

import weaviate
from weaviate.util import generate_uuid5
from weaviate.classes.init importAuth
import os
import json
import pandas as pd

client = weaviate.connect_to_weaviate_cloud(
    cluster_url="XXX",# 替换为你的 Weaviate Cloud URL
    auth_credentials=Auth.api_key("XXX"),# 替换为你的 Weaviate Cloud 密钥
    headers={'X-OpenAI-Api-key':"XXX"}# 替换为你的 OpenAI API 密钥
)

读取 PubMed 期刊文章数据。我是在 Databricks 上运行这个 notebook 的，如果你在其他环境运行，可能需要做些调整。目标是将数据加载为一个 pandas 的 DataFrame。

df = spark.sql("SELECT * FROM workspace.default.pub_med_multi_label_text_classification_dataset_processed").toPandas()

如果你在本地运行，只需使用：

df = pd.read_csv("PubMed Multi Label Text Classification Dataset Processed.csv")

接下来对数据做一些清洗处理：

import numpy as np
# 将无穷值替换为 NaN，并将 NaN 替换为空字符串
df.replace([np.inf,-np.inf], np.nan, inplace=True)
df.fillna('', inplace=True)

# 将列转换为字符串类型
df['Title']= df['Title'].astype(str)
df['abstractText']= df['abstractText'].astype(str)
df['meshMajor']= df['meshMajor'].astype(str)

现在我们需要为每篇文章创建一个 URI，并将其作为新列添加到 DataFrame 中。这非常重要，因为 URI 是连接文章的向量表示与知识图谱表示的关键。

import urllib.parse
from rdflib importGraph, RDF, RDFS,Namespace,URIRef,Literal

# 创建合法 URI 的函数
def create_valid_uri(base_uri, text):
if pd.isna(text):
returnNone
# 对文本进行转义，适用于 URI
    sanitized_text = urllib.parse.quote(
        text.strip().replace(' ','_')
.replace('"','')
.replace('<','')
.replace('>','')
.replace("'","_")
)
returnURIRef(f"{base_uri}/{sanitized_text}")

# 为文章创建合法 URI
def create_article_uri(title, base_namespace="http://example.org/article/"):
"""
通过替换非单词字符并进行 URL 编码，为文章创建 URI。

参数：
        title (str):文章标题
        base_namespace (str): URI 的命名空间

返回：
URIRef:格式化后的文章 URI
"""
if pd.isna(title):
returnNone
# 替换非单词字符为下划线
    sanitized_title = re.sub(r'\W+','_', title.strip())
# 合并多个下划线为一个
    sanitized_title = re.sub(r'_+','_', sanitized_title)
# URL 编码
    encoded_title = quote(sanitized_title)
# 拼接 URI
    uri = f"{base_namespace}{encoded_title}"
returnURIRef(uri)

# Add a new column to the DataFrame for the article URIs
df['Article_URI']= df['Title'].apply(lambda title: create_valid_uri("http://example.org/article", title))

我们还需要创建一个包含所有用于标注文章的 MeSH 术语 的 DataFrame，这在后续执行类似术语搜索时会非常有帮助。

# 用于清洗和解析 MeSH 术语的函数
def parse_mesh_terms(mesh_list):
if pd.isna(mesh_list):
return[]
return[
        term.strip().replace(' ','_')
for term in mesh_list.strip("[]'").split(',')
]

# 创建合法 MeSH 术语 URI 的函数
def create_valid_uri(base_uri, text):
if pd.isna(text):
returnNone
    sanitized_text = urllib.parse.quote(
        text.strip()
.replace(' ','_')
.replace('"','')
.replace('<','')
.replace('>','')
.replace("'","_")
)
return f"{base_uri}/{sanitized_text}"

# 提取并处理所有 MeSH 术语
all_mesh_terms =[]
for mesh_list in df["meshMajor"]:
    all_mesh_terms.extend(parse_mesh_terms(mesh_list))

# 去重术语
unique_mesh_terms = list(set(all_mesh_terms))

# 创建包含 MeSH 术语及其 URI 的 DataFrame
mesh_df = pd.DataFrame({
"meshTerm": unique_mesh_terms,
"URI":[create_valid_uri("http://example.org/mesh", term)for term in unique_mesh_terms]
})

# 显示结果
print(mesh_df)

向量化文章 DataFrame：

from weaviate.classes.config importConfigure

# 定义 Article 集合
articles = client.collections.create(
    name ="Article",
    vectorizer_config=Configure.Vectorizer.text2vec_openai(),# 如果设置为 "none"，你必须手动提供向量。也可以使用其他 "text2vec-*" 模型。
    generative_config=Configure.Generative.openai(),# 确保使用 generative-openai 模块来支持生成式查询
)

# 获取集合对象
articles = client.collections.get("Article")

# 批量添加对象
with articles.batch.dynamic()as batch:
for index, row in df.iterrows():
        batch.add_object({
"title": row["Title"],
"abstractText": row["abstractText"],
"Article_URI": row["Article_URI"],
"meshMajor": row["meshMajor"],
})

向量化 MeSH 术语：

# 定义 term 集合
terms = client.collections.create(
    name ="term",
    vectorizer_config=Configure.Vectorizer.text2vec_openai(),# 如果设置为 "none"，你必须手动提供向量。也可以使用其他 "text2vec-*" 模型。
    generative_config=Configure.Generative.openai(),# 确保使用 generative-openai 模块来支持生成式查询
)

# 获取集合对象
terms = client.collections.get("term")

# 批量添加对象
with terms.batch.dynamic()as batch:
for index, row in mesh_df.iterrows():
        batch.add_object({
"meshTerm": row["meshTerm"],
"URI": row["URI"],
})

你可以在这个阶段直接对向量化后的数据集运行语义搜索、相似度搜索和 RAG。我在这里不会逐一展示这些操作，但你可以查看我配套的 notebook[12] 中的代码来实现这些功能。

将数据转化为知识图谱

我们基本上是将数据中的每一行转化为知识图谱中的一个 “Article（文章）” 实体。然后我们为每篇文章添加以下属性：标题（title）、摘要（abstract）和 MeSH 术语。我们同时也将每一个 MeSH 术语本身转化为一个实体。这段代码还为每篇文章添加了两个额外属性，一个叫做 date published 的属性，值是随机日期；一个叫做 access 的属性，值是 1 到 10 的随机数字。这两个属性在本演示中不会被使用。下面是我们根据这些数据创建的图谱的可视化结构示意图：

下面是如何遍历 DataFrame 并将其转换为 RDF 数据的过程：

from rdflib importGraph, RDF, RDFS,Namespace,URIRef,Literal
from rdflib.namespaceimport SKOS, XSD
import pandas as pd
import urllib.parse
import random
from datetime import datetime, timedelta
import re
from urllib.parse import quote

# --- 初始化 ---
g =Graph()

# 定义命名空间
schema =Namespace('http://schema.org/')
ex =Namespace('http://example.org/')
prefixes ={
'schema': schema,
'ex': ex,
'skos': SKOS,
'xsd': XSD
}
for p, ns in prefixes.items():
    g.bind(p, ns)

# 定义类和属性
Article=URIRef(ex.Article)
MeSHTerm=URIRef(ex.MeSHTerm)
g.add((Article, RDF.type, RDFS.Class))
g.add((MeSHTerm, RDF.type, RDFS.Class))

title =URIRef(schema.name)
abstract=URIRef(schema.description)
date_published =URIRef(schema.datePublished)
access =URIRef(ex.access)

g.add((title, RDF.type, RDF.Property))
g.add((abstract, RDF.type, RDF.Property))
g.add((date_published, RDF.type, RDF.Property))

g.add((access, RDF.type, RDF.Property))

# 解析 MeSH 术语的函数
def parse_mesh_terms(mesh_list):
if pd.isna(mesh_list):
return[]
return[term.strip()for term in mesh_list.strip("[]'").split(',')]

# MeSH 术语转换为合法 URI 的增强函数
def convert_to_uri(term, base_namespace="http://example.org/mesh/"):
if pd.isna(term):
returnNone# 处理 NaN 或 None 情况

# 第一步：去除首尾的非单词字符（包括下划线）
    stripped_term = re.sub(r'^\W+|\W+$','', term)

# 第二步：将非单词字符替换为下划线
    formatted_term = re.sub(r'\W+','_', stripped_term)

# 第三步：将多个连续下划线合并为一个
    formatted_term = re.sub(r'_+','_', formatted_term)

# 第四步：URL 编码
    encoded_term = quote(formatted_term)

# 第五步：添加单个前后下划线
    term_with_underscores = f"_{encoded_term}_"

# 第六步：拼接命名空间
    uri = f"{base_namespace}{term_with_underscores}"

returnURIRef(uri)

# 生成最近五年内随机日期的函数
def generate_random_date():
    start_date = datetime.now()- timedelta(days=5*365)
    random_days = random.randint(0,5*365)
return start_date + timedelta(days=random_days)

# 生成 1 到 10 之间随机访问级别的函数
def generate_random_access():
return random.randint(1,10)

# 创建文章 URI 的函数
def create_article_uri(title, base_namespace="http://example.org/article"):
if pd.isna(title):
returnNone
    sanitized_text = urllib.parse.quote(
        title.strip().replace(' ','_').replace('"','').replace('<','').replace('>','').replace("'","_")
)
returnURIRef(f"{base_namespace}/{sanitized_text}")

# 遍历 DataFrame 的每一行并生成 RDF 三元组
for index, row in df.iterrows():
    article_uri = create_article_uri(row['Title'])
if article_uri isNone:
continue

# 添加 Article 实体
    g.add((article_uri, RDF.type,Article))
    g.add((article_uri, title,Literal(row['Title'], datatype=XSD.string)))
    g.add((article_uri,abstract,Literal(row['abstractText'], datatype=XSD.string)))

# 添加随机发布日期和访问级别
    random_date = generate_random_date()
    random_access = generate_random_access()
    g.add((article_uri, date_published,Literal(random_date.date(), datatype=XSD.date)))
    g.add((article_uri, access,Literal(random_access, datatype=XSD.integer)))

# 添加 MeSH 术语
    mesh_terms = parse_mesh_terms(row['meshMajor'])
for term in mesh_terms:
        term_uri = convert_to_uri(term, base_namespace="http://example.org/mesh/")
if term_uri isNone:
continue

# 添加 MeSH 实体
        g.add((term_uri, RDF.type,MeSHTerm))
        g.add((term_uri, RDFS.label,Literal(term.replace('_',' '), datatype=XSD.string)))

# 将文章与 MeSH 术语关联
        g.add((article_uri, schema.about, term_uri))

# 保存为 Turtle 格式文件
# 保存路径
file_path ="/Workspace/PubMedGraph.ttl"

# 序列化保存
g.serialize(destination=file_path, format='turtle')

print(f"文件已保存至 {file_path}")

现在我们已经拥有了数据的向量化版本和图谱（RDF）版本。每个向量都关联了一个 URI，该 URI 对应于知识图谱中的一个实体，因此我们可以在这两种数据格式之间进行来回切换。

构建应用

我决定使用 Streamlit[13] 来构建这个 Graph RAG 应用的用户界面。与上一篇博客一样，我保留了相同的用户流程：

1.文章检索：首先，用户使用搜索词进行文章检索。这个过程完全依赖于向量数据库。用户的搜索词被发送至向量数据库，然后返回与该词在向量空间中最近的十篇文章。2.术语精炼：接下来，用户选择用于筛选文章的 MeSH 术语。由于我们也对 MeSH 术语进行了向量化，用户可以输入自然语言提示，来获取最相关的 MeSH 术语。我们还允许用户展开术语，查看其替代名称和更窄的概念，并让用户从中自由选择多个术语，作为筛选条件。3.筛选与摘要生成：用户将选定的 MeSH 术语应用于第一步返回的十篇期刊文章上，进行筛选。这一步之所以可行，是因为 PubMed 文章已被 MeSH 术语标注过。最后，用户可以输入一个附加提示词，我们将该提示词与筛选后的文章一起发送给 LLM，执行生成任务。这就是 RAG 应用中的生成式步骤（generative step）。

接下来我们逐步讲解这些步骤。完整的应用和代码你可以在我的 GitHub 上查看，下面是该应用的结构概要：

-- app.py（主程序文件，用于驱动整个应用并按需调用其他函数）

-- query_functions（一个包含查询相关Python文件的文件夹）
-- rdf_queries.py（包含 RDF 查询的Python文件）
-- weaviate_queries.py（包含Weaviate查询的Python文件）

--PubMedGraph.ttl（以 RDF Turtle格式存储的PubMed数据文件）

搜索文章

首先，我们要实现的是 Weaviate 的向量相似度搜索功能。由于我们的文章已经被向量化，因此可以将一个搜索词发送给向量数据库，然后返回与该搜索词相似的文章。

主函数位于 app.py 中，负责在向量数据库中搜索相关期刊文章：

# --- TAB 1: Search Articles ---
with tab_search:
    st.header("搜索文章（向量查询）")
    query_text = st.text_input("请输入你的向量搜索词（例如：Mouth Neoplasms）:", key="vector_search")

if st.button("搜索文章", key="search_articles_btn"):
try:
            client = initialize_weaviate_client()
            article_results = query_weaviate_articles(client, query_text)

# 提取 URI
            article_uris =[
                result["properties"].get("article_URI")
for result in article_results
if result["properties"].get("article_URI")
]

# 将 article_uris 存入 session 状态
            st.session_state.article_uris = article_uris

            st.session_state.article_results =[
{
"Title": result["properties"].get("title","N/A"),
"Abstract":(result["properties"].get("abstractText","N/A")[:100]+"..."),
"Distance": result["distance"],
"MeSH Terms":", ".join(
                        ast.literal_eval(result["properties"].get("meshMajor","[]"))
if result["properties"].get("meshMajor")else[]
),
}
for result in article_results
]
            client.close()
exceptExceptionas e:
            st.error(f"文章搜索过程中发生错误：{e}")

if st.session_state.article_results:
        st.write("**文章搜索结果：**")
        st.table(st.session_state.article_results)
else:
        st.write("目前尚未找到文章。")

该函数使用 weaviate_queries 中的查询函数来初始化 Weaviate 客户端（initialize_weaviate_client），并执行文章查询（query_weaviate_articles）。之后，系统会以表格形式展示返回的文章内容，包括：标题，摘要（前 100 个字符），向量距离（与搜索词的相似度），MeSH 术语标签。

weaviate_queries.py 中实际用于查询 Weaviate 的函数如下（即将介绍）：

# 查询 Weaviate 中 Article 集合的函数
def query_weaviate_articles(client, query_text, limit=10):
# 对 Article 集合执行向量搜索
    response = client.collections.get("Article").query.near_text(
        query=query_text,
        limit=limit,
        return_metadata=MetadataQuery(distance=True)
)

# 解析返回结果
    results =[]
for obj in response.objects:
        results.append({
"uuid": obj.uuid,
"properties": obj.properties,
"distance": obj.metadata.distance,
})
return results

如你所见，我在这里将结果数量限制为 10 个，以简化操作，但你可以根据需要修改这个值。这段代码只是使用 Weaviate 的向量相似度搜索功能，来返回相关的文章结果。

最终在应用中的显示效果如下图所示：

作为演示，我搜索了术语 “treatments for mouth cancer（口腔癌的治疗方法）”。如你所见，返回了 10 篇文章，且大多数都是相关的。这很好地展示了基于向量的检索方法的优点与不足。

优点在于，我们可以非常轻松地为数据构建语义搜索功能。正如你在上面看到的，我们所做的只是初始化客户端，并将数据发送到向量数据库中。一旦数据被向量化，我们就可以执行 语义搜索 、 相似度搜索 、RAG（检索增强生成）。我在本篇配套的 Notebook 中已经实现了部分功能，更多内容可以参考 Weaviate[14] 的官方文档。

👉未完待续！