后端目录结构├─ qknow-framework/ # 公共配置模块(核心依赖)│ ├─ qknow-auth # OAuth2 授权模块│ ├─ qknow-common 模块│ ├─ qknow-file # 文件管理服务│ ├─ qknow-generator # 代码生成器│ ├─ qknow-mybatis qknow-quartz # 定时任务模块│ ├─ qknow-redis # Redis 缓存模块│ ├─ qknow-security # 安全认证模块│ ├─ qknow-websocket # WebSocket 实时通信模块├─ qknow-module-app/ # 知识应用模块├─ qknow-module-dm SQL 文件:mysql -u root -p qknow_dev < sql/qknow_20250522.sqlmysql -u root -p qknow_dev < sql/quartz.sql2
本期《qKnow知识平台核心能力解析》,我们将聚焦非结构化抽取能力,带你系统了解:qKnow是如何借助大模型技术,将“看得懂的文档”,转化为“用得上的知识图谱”的。一、什么是非结构化抽取? 在qKnow中,非结构化抽取并不是“简单的信息识别”,而是:以图谱模型为约束以业务语义为导向以可追溯、可校验、可发布为目标为后续的知识图谱构建、智能问答、知识检索、推理分析等上层应用,持续提供高质量、可信任的知识供给 qKnow在知识抽取阶段,全面支持多种主流非结构化文件格式,包括但不限于:TXTPDFHTML以及常见的结构化/半结构化文本内容无论是规范制度、技术文档、业务方案,还是网页内容、说明材料,都可以作为抽取对象统一纳入管理 qKnow支持非结构化抽取任务的全流程精细化配置:自定义抽取任务名称,便于管理与追溯按需选择本次参与抽取的知识文件精准绑定图谱模型中的概念与关系明确抽取范围,避免无效、冗余或偏离业务语义的结果通过模型约束 下期预告下一期《qKnow知识平台核心能力解析》,我们将带来更偏技术向的深度内容:《基于DeepKE,如何进行非结构化抽取》从底层框架、能力选型到工程实践,带你深入理解qKnow非结构化抽取背后的技术实现逻辑
2025 年 8 月 18 日,qKnow 知识平台 正式发布首个稳定版本 qKnow 1.0.0。 qKnow 1.0.0 聚焦于 知识全生命周期管理 的核心功能建设,集成先进的知识抽取技术与直观的可视化探索能力,致力于打造企业级知识中枢,帮助用户构建语义明确、动态演化的知识图谱体系。 特别说明作为首个正式发布版本,qKnow 1.0.0 奠定了平台的核心架构与功能体系。未来,qKnow 将持续迭代,进一步增强知识抽取、融合、推理等能力,推动企业知识管理与 AI 应用的深度融合。
2025年10月31日,千桐科技正式发布 qKnow 知识平台商业版 2.0。 平台简介qKnow 知识平台 是一款以知识图谱为核心、融合向量知识库的开源企业级智能知识平台,致力于构建“结构化 + 非结构化”一体化的知识中枢。 面向未来的知识智能平台qKnow 2.0 不仅是一款知识图谱平台,更是一个驱动企业知识智能化的“新操作系统”。 即刻体验 qKnow 2.0qKnow 商业版 2.0 已全面开放试用!无论您希望构建企业知识中枢、打造智能客服底座,还是实现文档自动生成与智能审查,qKnow 都将为您提供坚实、可扩展的支撑。 qKnow 2.0,正式启航!
qKnow商业版v2.6.1正式发布。这是一次里程碑式的重大版本更新。 但随着业务规模扩大、场景复杂度提升,我们越来越清晰地看到一些长期问题:框架能力边界受限,深度定制困难多模型、多向量库适配灵活性不足技术栈被锁定,升级节奏受制于人在政企、行业场景下,自主可控成为硬要求qKnow 、向量化并存储查询阶段对用户问题进行向量化基于语义相似度,从向量库中检索最相关内容作为参考上下文这一改造让qKnow的知识库能力具备了:✅更强的可控性✅更好的性能可调优空间✅更灵活的部署与扩展能力2️⃣ “拼装结果”,而是围绕qKnow自身知识体系与业务场景深度优化的原生能力。 如果你关心的是:企业级知识库如何真正落地大模型如何与业务深度结合AI系统如何长期可控、可演进那么,qKnow知识平台商业版v2.6.1,是一个值得关注的起点。欢迎体验,也欢迎交流。
为了让这些技术更易于学习与使用,qKnow团队推出了知识平台教育版——面向学生、教师和教育机构的专属版本,帮助大家更轻松地开展知识图谱与AI实践教学与研究。 简介qKnow知识平台教育版面向教育场景,提供知识图谱构建、智能检索、RAG应用开发等核心能力,帮助师生在教学、科研与创新项目中高效使用AI技术。 无论是课堂实验、论文研究,还是创新实践课程,qKnow都能成为智能知识管理与学习的基础平台。 教育应用价值对学生通过qKnow平台,可以更直观地理解知识图谱与AI的核心原理,快速开展实验、报告或科研性项目,提升数据与知识建模能力。 3️⃣教学资源支持qKnow教育版配套提供课程课件、实验指导书与案例数据集,便于教师快速组织课堂教学与实验指导,帮助学生在真实场景中掌握知识图谱与AI应用能力。
qKnow知识平台开源版v1.0.3作为首个正式版本后的重要迭代版本,聚焦系统稳定性提升、部署体验优化与关键问题修复。 通过标准化的容器编排配置,开发者和运维人员能够快速启动完整的qKnow平台,显著提升部署效率。️ 文档体系同步升级同步完善官方文档站内容,涵盖详细的部署指南、常见问题解答及完整的API使用说明,帮助用户更快速地上手并高效集成qKnow平台。致谢与未来展望衷心感谢每一位早期用户的信任与宝贵反馈! qKnow知识平台开源版v1.0.3的发布是我们持续打磨产品、深入贴近用户需求的重要里程碑。 立即升级,体验更稳定、更便捷的qKnow知识平台!
在qKnow知识平台中,我们始终坚持一个原则:没有模型的知识,就像没有骨架的身体——信息再多,也无法形成真正可用的“智能”。 本期内容,我们将以实际操作为线索,带你系统了解:在qKnow中,如何从业务目标出发,构建一个高质量、可持续演进的图谱模型,为后续的结构化抽取、智能问答与推理分析打下坚实基础。一、什么是图谱模型? 在qKnow知识平台中,这三个问题分别对应了三类核心配置能力:概念配置:定义“有什么”属性配置:定义“长什么样”关系配置:定义“彼此如何连接”只有先把这套“骨架”设计清楚,后续的知识抽取、存储和应用,才能有序展开 三、新增图谱模型在明确构建目标后,即可在qKnow中新增图谱模型。 AI辅助抽取能力如果你对文档内容不够熟悉,qKnow也支持通过AI智能抽取的方式,辅助生成概念与关系建议。需要注意的是:AI抽取是“辅助”,不是“替代”。AI抽取完成后,仍需要人工进行筛选与确认。
新增语义检索引擎、多布局图谱渲染、时序视图、图谱概览与丰富的知识管理能力,使qKnow具备更高的扩展性和更强的智能检索表现。为什么需要2.1.0? qKnow知识平台商业版2.1.0正是针对这些高频痛点进行的一次系统级进化。本次更新的核心能力1️⃣全面升级的知识管理能力事件管理:让知识按时间“讲故事”在新版中,事件成为一级知识对象。 ➕智能推荐对用户问题进行语义扩展后,给出:相关知识片段推荐问答高相似问题5️⃣适配ArangoDB,配置级切换图数据库qKnow2.1.0引入通用图数据库抽象层,可以:使用Neo4j使用ArangoDB ——批量、精确、实体、关系、意图检索全覆盖怎么看得清就怎么摆——多布局、多视图任意切换事件时间线可视化——将事件按时序组织并自动关联实体图数据库可一键切换——Neo4j↔ArangoDB无缝衔接✨结语qKnow2.1.0
我们很高兴地宣布,qKnow知识平台商业版v2.1.1已正式发布。 UI/UX方面也进行了统一规范:登录页全面焕新,Banner强化视觉焦点,Slogan更新为“qKnow知识平台”,验证码与系统文案样式同步优化;首页对接真实数据,修复公告显示Bug,并新增新用户引导流程
②全场景多屏适配qKnow商业版现已实现对企业主流办公显示环境的无死角适配,确保在不同设备上获得一致的交互体验:覆盖设备类型:完美支持笔记本电脑、台式机独立显示器及苹果电脑显示器。 如有任何技术疑问或需要协助升级,请联系qKnow技术支持团队或您的客户成功经理。感谢使用qKnow知识平台!我们将继续致力于构建更稳定、更易用、更智能的企业级知识中枢。如有任何建议,欢迎反馈。
我们在qData数据中台、qKnow知识平台等产品的交付体系中也长期遇到类似困扰。 三、落地成效:已在多个产品全面使用这套体系目前已全面应用于:qData数据中台qKnow知识平台qModel算法模型平台qThing物联网平台交付效率提升超过200%,从“人工打包+多人协作+易错”变为
qKnow 知识平台商业版 已经梳理出 8 大核心功能模块、30+ 项关键能力,覆盖知识构建、治理、应用与 AI 融合的全链路。这篇文章,将带你快速洞察 qKnow 的能力全景。 核心定位:不止是知识图谱,更是 AI 原生的知识底座qKnow 以 知识图谱 为核心,但我们的目标从未止步于“可视化查关系”。在大模型时代,我们更关注:知识如何真正被用起来? 知识库与知识图谱并行,是 qKnow 的 双核心引擎。3. 知识治理更智能 —— 融合 + 推理,让知识“自己生长”知识融合:自动识别同义实体(如“华为”=“华为技术有限公司”),减少冗余。 我们发布 qKnow 知识平台商业版完整功能清单表格,详细列出每一项能力的状态、适用场景与技术细节。无论你是 技术选型者、架构师,还是对知识智能感兴趣的开发者,这份清单都值得收藏。 它允许用户将自行在 Dify 等低代码 AI 工作流平台构建的智能化流程,无缝接入 qKnow,实现“一次构建,多端调用,动态协同”的智能应用新模式。
该规范已在多个产品中落地实践,包括qKnow知识平台、qData数据中台、qModel模型管理平台等,成为统一的数据库设计标准。 二、数据库命名规范1.环境区分命名为保障开发、测试、生产环境的数据隔离与部署安全,数据库命名必须严格区分环境:开发库:[项目代号]_dev示例:qData_dev、qKnow_dev测试库:[项目代号] _test示例:qData_test、qModel_test生产库:[项目代号]_prod示例:qKnow_prod、qThing_prod⚠️注意:严禁在生产环境中直接使用_dev或_test后缀的数据库 示例:qData(千桐数据中台)、qKnow(千桐知识平台)、qAuth(统一身份认证平台)3.统一命名规则所有环境下的数据库命名格式必须统一,确保运维人员能快速识别环境类型。
这一理念,正是 qData 数据中台、qKnow 知识平台 与 qAuth 统一身份认证平台 等公司核心产品在实践中的方法论基础。
在千桐智能整体体系中,qData与qKnow知识平台、qModel模型平台等相关平台保持协同设计,为后续的数据与智能深度融合预留空间,使数据中台能够支撑更高阶的智能应用场景。