[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-ImprintLab--Medical-Graph-RAG":3,"tool-ImprintLab--Medical-Graph-RAG":61},[4,18,28,36,45,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":24,"last_commit_at":25,"category_tags":26,"status":17},9989,"n8n","n8n-io\u002Fn8n","n8n 是一款面向技术团队的公平代码（fair-code）工作流自动化平台，旨在让用户在享受低代码快速构建便利的同时，保留编写自定义代码的灵活性。它主要解决了传统自动化工具要么过于封闭难以扩展、要么完全依赖手写代码效率低下的痛点，帮助用户轻松连接 400 多种应用与服务，实现复杂业务流程的自动化。\n\nn8n 特别适合开发者、工程师以及具备一定技术背景的业务人员使用。其核心亮点在于“按需编码”：既可以通过直观的可视化界面拖拽节点搭建流程，也能随时插入 JavaScript 或 Python 代码、调用 npm 包来处理复杂逻辑。此外，n8n 原生集成了基于 LangChain 的 AI 能力，支持用户利用自有数据和模型构建智能体工作流。在部署方面，n8n 提供极高的自由度，支持完全自托管以保障数据隐私和控制权，也提供云端服务选项。凭借活跃的社区生态和数百个现成模板，n8n 让构建强大且可控的自动化系统变得简单高效。",184740,2,"2026-04-19T23:22:26",[16,14,13,15,27],"插件",{"id":29,"name":30,"github_repo":31,"description_zh":32,"stars":33,"difficulty_score":10,"last_commit_at":34,"category_tags":35,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":24,"last_commit_at":42,"category_tags":43,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",161147,"2026-04-19T23:31:47",[14,13,44],"语言模型",{"id":46,"name":47,"github_repo":48,"description_zh":49,"stars":50,"difficulty_score":24,"last_commit_at":51,"category_tags":52,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",109154,"2026-04-18T11:18:24",[14,15,13],{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":24,"last_commit_at":59,"category_tags":60,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[27,13,15,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":76,"owner_email":76,"owner_twitter":76,"owner_website":76,"owner_url":77,"languages":78,"stars":91,"forks":92,"last_commit_at":93,"license":94,"difficulty_score":95,"env_os":96,"env_gpu":96,"env_ram":97,"env_deps":98,"category_tags":107,"github_topics":109,"view_count":24,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":117,"updated_at":118,"faqs":119,"releases":145},9930,"ImprintLab\u002FMedical-Graph-RAG","Medical-Graph-RAG","A Graph RAG System for Evidenced-based Medical Information Retrieval  [ACL 2025]","Medical-Graph-RAG 是一个专为医疗领域设计的图检索增强生成（Graph RAG）系统，旨在提升基于证据的医学信息检索能力。它主要解决了传统检索方法在处理复杂医疗数据时，难以有效整合患者病历、专业文献与医学术语之间深层关联的痛点，从而让 AI 回答更具准确性和可解释性。\n\n该系统非常适合医疗 AI 研究人员、开发者以及需要构建高可靠性医疗问答系统的团队使用。其核心技术亮点在于构建了独特的“三层级”知识图谱架构：底层依托 UMLS 统一医学语言系统提供标准术语支撑，中层整合医学书籍与论文（如 MedC-K），顶层则链接私有的患者临床数据（如 MIMIC-IV）。通过这种层级化的图结构，Medical-Graph-RAG 能够将具体的患者症状与广泛的医学知识库动态关联。此外，项目提供了基于 Docker 的演示环境和详细的复现指南，支持用户利用开源大模型低成本地构建从数据预处理、图谱构建到推理问答的完整流程，是推动循证医学 AI 落地的有力工具。","# Medical-Graph-RAG\nWe build a Graph RAG System specifically for the medical domain.\n\nCheck our paper here: https:\u002F\u002Farxiv.org\u002Fabs\u002F2408.04187\n\n## Demo\na docker demo is here: https:\u002F\u002Fhub.docker.com\u002Frepository\u002Fdocker\u002Fjundewu\u002Fmedrag-post\u002Fgeneral\n \nUse it by: docker run -it --rm --storage-opt size=10G -p 7860:7860 \\ -e OPENAI_API_KEY= your_key -e NCBI_API_KEY= your_key medrag-post\n\nthis demo used web-based searches on PubMed instead of locally storing medical papers and textbooks to detour the license wall.\n\n## Quick Start (Baseline: a simple Graph RAG pipeline on medical data)\n1. conda env create -f medgraphrag.yml\n\n2. export OPENAI_API_KEY = your OPENAI_API_KEY\n\n3. python run.py -simple True (now using .\u002Fdataset_ex\u002Freport_0.txt as RAG doc, \"What is the main symptom of the patient?\" as the prompt, change the prompt in run.py as you like.)\n\n## Build from scratch (Complete Graph RAG flow in the paper)\n\n### About the dataset\n#### Paper Datasets\n**Top-level Private data (user-provided)**: we used [MIMIC IV dataset](https:\u002F\u002Fphysionet.org\u002Fcontent\u002Fmimiciv\u002F3.0\u002F) as the private data.\n\n**Medium-level Books and Papers**: We used MedC-K as the medium-level data. The dataset sources from [S2ORC](https:\u002F\u002Fgithub.com\u002Fallenai\u002Fs2orc). Only those papers with PubMed IDs are deemed as medical-related and used during pretraining. The book is listed in this repo as [MedicalBook.xlsx](https:\u002F\u002Fgithub.com\u002FMedicineToken\u002FMedical-Graph-RAG\u002Fblob\u002Fmain\u002FMedicalBook.xlsx), due to licenses, we cannot release raw content. For reproducing, pls buy and process the books.\n\n**Bottom-level Dictionary data**: We used [Unified Medical Language System (UMLS)](https:\u002F\u002Fwww.nlm.nih.gov\u002Fresearch\u002Fumls\u002Findex.html) as the bottom level data. To access it, you'll need to create an account and apply for usage. It is free and approval is typically fast.\n\nIn the code, we use the 'trinity' argument to enable the hierarchy graph linking function. If set to True, you must also provide a 'gid' (graph ID) to specify which graphs the top-level should link to. UMLS is largely structured as a graph, so minimal effort is required to construct it. However, MedC-K must be constructed as graph data. There are several methods you can use, such as the approach we used to process the top-level in this repo (open-source LLMs are recommended to keep costs down), or you can opt for non-learning-based graph construction algorithms (faster, cheaper, and generally noisier)\n\n#### Example Datasets\nRecognizing that accessing and processing all the data mentioned may be challenging, we are working to provide simpler example dataset to demonstrate functionality. Currently, we are using the mimic_ex [here](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FMorson\u002Fmimic_ex) here as the Top-level data, which is the processed smaller dataset derived from MIMIC. For Medium-level and Bottom-level data, we are in the process of identifying suitable alternatives to simplify the implementation, welcome for any recommendations.\n\n### 1. Prepare the environment, Neo4j and LLM\n1. conda env create -f medgraphrag.yml\n\n\n2. prepare neo4j and LLM (using ChatGPT here for an example), you need to export:\n\nexport OPENAI_API_KEY = your OPENAI_API_KEY\n\nexport NEO4J_URL= your NEO4J_URL\n\nexport NEO4J_USERNAME= your NEO4J_USERNAME\n\nexport NEO4J_PASSWORD= your NEO4J_PASSWORD\n\n### 2. Construct the graph (use \"mimic_ex\" dataset as an example)\n1. Download mimic_ex [here](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FMorson\u002Fmimic_ex), put that under your data path, like .\u002Fdataset\u002Fmimic_ex\n\n2. python run.py -dataset mimic_ex -data_path .\u002Fdataset\u002Fmimic_ex(where you put the dataset) -grained_chunk -ingraphmerge -construct_graph\n\n### 3. Model Inference\n1. put your prompt to .\u002Fprompt.txt\n\n2. python run.py -dataset mimic_ex -data_path .\u002Fdataset\u002Fmimic_ex(where you put the dataset) -inference\n\n## Acknowledgement\nWe are building on [CAMEL](https:\u002F\u002Fgithub.com\u002Fcamel-ai\u002Fcamel), an awesome framework for construcing multi-agent pipeline.\n\n## Cite\n~~~\n@article{wu2024medical,\n  title={Medical Graph RAG: Towards Safe Medical Large Language Model via Graph Retrieval-Augmented Generation},\n  author={Wu, Junde and Zhu, Jiayuan and Qi, Yunli},\n  journal={arXiv preprint arXiv:2408.04187},\n  year={2024}\n}\n~~~\n","# 医疗图谱RAG\n我们构建了一个专门针对医疗领域的图谱RAG系统。\n\n请在此处查看我们的论文：https:\u002F\u002Farxiv.org\u002Fabs\u002F2408.04187\n\n## 演示\n这里有一个 Docker 演示：https:\u002F\u002Fhub.docker.com\u002Frepository\u002Fdocker\u002Fjundewu\u002Fmedrag-post\u002Fgeneral\n\n使用方法如下：docker run -it --rm --storage-opt size=10G -p 7860:7860 \\ -e OPENAI_API_KEY= your_key -e NCBI_API_KEY= your_key medrag-post\n\n该演示使用基于 Web 的 PubMed 搜索，而不是本地存储医学论文和教科书，以绕过许可限制。\n\n## 快速入门（基线：一个简单的医疗数据图谱RAG流程）\n1. conda env create -f medgraphrag.yml\n\n2. export OPENAI_API_KEY = your OPENAI_API_KEY\n\n3. python run.py -simple True（目前使用 .\u002Fdataset_ex\u002Freport_0.txt 作为 RAG 文档，“患者的主诉是什么？”作为提示语，您可以在 run.py 中根据需要更改提示语。）\n\n## 从头构建（论文中的完整图谱RAG流程）\n\n### 关于数据集\n#### 论文数据集\n**顶层私有数据（用户提供的）**：我们使用了 [MIMIC IV 数据集](https:\u002F\u002Fphysionet.org\u002Fcontent\u002Fmimiciv\u002F3.0\u002F) 作为私有数据。\n\n**中层书籍和论文**：我们使用 MedC-K 作为中层数据。该数据集来源于 [S2ORC](https:\u002F\u002Fgithub.com\u002Fallenai\u002Fs2orc)。只有带有 PubMed ID 的论文才被视为与医学相关，并在预训练期间使用。本书列在本仓库的 [MedicalBook.xlsx](https:\u002F\u002Fgithub.com\u002FMedicineToken\u002FMedical-Graph-RAG\u002Fblob\u002Fmain\u002FMedicalBook.xlsx) 中，由于版权原因，我们无法公开原始内容。如需复现，请自行购买并处理这些书籍。\n\n**底层词典数据**：我们使用 [统一医学语言系统 (UMLS)](https:\u002F\u002Fwww.nlm.nih.gov\u002Fresearch\u002Fumls\u002Findex.html) 作为底层数据。要访问它，您需要注册一个账户并申请使用权限。该服务是免费的，通常很快就能获得批准。\n\n在代码中，我们使用 'trinity' 参数来启用层次图链接功能。如果设置为 True，您还需要提供一个 'gid'（图 ID），以指定顶层应链接到哪些图。UMLS 大部分是以图结构组织的，因此构建起来相对容易。然而，MedC-K 必须被构建成图数据。您可以采用多种方法，例如我们在本仓库中用于处理顶层数据的方法（建议使用开源大模型以降低成本），或者选择非学习型的图构建算法（速度更快、成本更低，但通常噪声较大）。\n\n#### 示例数据集\n考虑到获取和处理上述所有数据可能具有一定挑战性，我们正在努力提供更简单的示例数据集以展示功能。目前，我们使用 mimic_ex [这里](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FMorson\u002Fmimic_ex) 作为顶层数据，这是从 MIMIC 数据集中提取的经过处理的小规模数据集。对于中层和底层数据，我们正在寻找合适的替代方案以简化实现过程，欢迎提出任何建议。\n\n### 1. 准备环境、Neo4j 和 LLM\n1. conda env create -f medgraphrag.yml\n\n\n2. 准备 Neo4j 和 LLM（此处以 ChatGPT 为例），您需要导出：\n\nexport OPENAI_API_KEY = your OPENAI_API_KEY\n\nexport NEO4J_URL= your NEO4J_URL\n\nexport NEO4J_USERNAME= your NEO4J_USERNAME\n\nexport NEO4J_PASSWORD= your NEO4J_PASSWORD\n\n### 2. 构建图谱（以 “mimic_ex” 数据集为例）\n1. 在 [这里](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FMorson\u002Fmimic_ex) 下载 mimic_ex，将其放置在您的数据路径下，例如 .\u002Fdataset\u002Fmimic_ex\n\n2. python run.py -dataset mimic_ex -data_path .\u002Fdataset\u002Fmimic_ex（您放置数据集的路径） -grained_chunk -ingraphmerge -construct_graph\n\n### 3. 模型推理\n1. 将您的提示语放入 .\u002Fprompt.txt\n\n2. python run.py -dataset mimic_ex -data_path .\u002Fdataset\u002Fmimic_ex（您放置数据集的路径） -inference\n\n## 致谢\n我们基于 [CAMEL](https:\u002F\u002Fgithub.com\u002Fcamel-ai\u002Fcamel) 构建，这是一个用于构建多智能体流水线的强大框架。\n\n## 引用\n~~~\n@article{wu2024medical,\n  title={Medical Graph RAG: Towards Safe Medical Large Language Model via Graph Retrieval-Augmented Generation},\n  author={Wu, Junde and Zhu, Jiayuan and Qi, Yunli},\n  journal={arXiv preprint arXiv:2408.04187},\n  year={2024}\n}\n~~~","# Medical-Graph-RAG 快速上手指南\n\nMedical-Graph-RAG 是一个专为医疗领域构建的图检索增强生成（Graph RAG）系统。本指南将帮助您快速搭建基础环境并运行一个简单的 Graph RAG 流程。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：Linux 或 macOS（Windows 用户建议使用 WSL2 或 Docker）。\n*   **Python 环境**：推荐安装 [Miniconda](https:\u002F\u002Fdocs.conda.io\u002Fen\u002Flatest\u002Fminiconda.html) 以管理依赖。\n*   **API 密钥**：\n    *   **OpenAI API Key**：用于调用大语言模型（LLM）。\n    *   **Neo4j 数据库**：用于存储和查询图谱数据（需自行部署或使用云端实例）。\n    *   *(可选)* **NCBI API Key**：如果您使用基于 PubMed 的网络搜索功能。\n*   **硬件建议**：构建完整图谱需要较大的内存和存储空间，建议至少 16GB RAM。\n\n## 安装步骤\n\n### 1. 创建 Conda 环境\n克隆项目代码后，进入目录并使用提供的配置文件创建环境：\n\n```bash\nconda env create -f medgraphrag.yml\nconda activate medgraphrag\n```\n\n### 2. 配置环境变量\n根据您的使用场景，导出必要的 API 密钥和数据库连接信息。\n\n**基础模式（仅需 OpenAI）：**\n```bash\nexport OPENAI_API_KEY=your_openai_api_key\n```\n\n**完整模式（需 OpenAI + Neo4j）：**\n```bash\nexport OPENAI_API_KEY=your_openai_api_key\nexport NEO4J_URL=your_neo4j_url\nexport NEO4J_USERNAME=your_neo4j_username\nexport NEO4J_PASSWORD=your_neo4j_password\n```\n\n## 基本使用\n\n本项目提供两种运行模式：**基线模式（Quick Start）** 和 **完整构建模式（Build from scratch）**。\n\n### 模式一：基线模式（最简单示例）\n此模式使用内置的示例数据（`.\u002Fdataset_ex\u002Freport_0.txt`）快速验证 Graph RAG 管道，无需配置外部数据集或 Neo4j。\n\n1.  确保已设置 `OPENAI_API_KEY`。\n2.  运行以下命令：\n\n```bash\npython run.py -simple True\n```\n\n*说明：默认提示词为 \"What is the main symptom of the patient?\"。如需修改问题，请直接编辑 `run.py` 文件中的 prompt 部分。*\n\n### 模式二：完整构建流程（基于 MIMIC-EX 数据集）\n此模式演示完整的图谱构建与推理流程，需要预先准备好 Neo4j 数据库。\n\n#### 1. 准备数据\n下载示例数据集 `mimic_ex` 并放置到本地路径（例如 `.\u002Fdataset\u002Fmimic_ex`）：\n*   下载地址：[HuggingFace - Morson\u002Fmimic_ex](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FMorson\u002Fmimic_ex)\n\n#### 2. 构建图谱\n执行以下命令将数据处理并存入 Neo4j：\n\n```bash\npython run.py -dataset mimic_ex -data_path .\u002Fdataset\u002Fmimic_ex -grained_chunk -ingraphmerge -construct_graph\n```\n\n#### 3. 模型推理\n将您的查询问题写入 `.\u002Fprompt.txt` 文件，然后运行推理：\n\n```bash\npython run.py -dataset mimic_ex -data_path .\u002Fdataset\u002Fmimic_ex -inference\n```\n\n---\n*注：若需体验免安装的 Web 演示，可使用 Docker 运行（需替换为您的 API Key）：*\n```bash\ndocker run -it --rm --storage-opt size=10G -p 7860:7860 \\\n-e OPENAI_API_KEY=your_key -e NCBI_API_KEY=your_key medrag-post\n```","某三甲医院临床科研团队正在利用 MIMIC-IV 重症监护数据，构建一个能自动回答复杂病例查询的智能辅助系统。\n\n### 没有 Medical-Graph-RAG 时\n- **证据链断裂**：传统检索仅基于关键词匹配，无法将患者症状（顶层数据）与医学教科书理论（中层数据）及专业术语定义（底层 UMLS 数据）有效关联，导致回答缺乏循证依据。\n- **幻觉风险高**：通用大模型在面对罕见并发症提问时，容易编造不存在的病理机制，医生需花费大量时间人工核实每一条信息的真实性。\n- **多源数据孤岛**：私有病历、公开论文和标准词典分散在不同系统中，研究人员难以跨库追踪“症状 - 疾病 - 药物”之间的深层逻辑关系。\n- **响应效率低下**：为获取完整证据，医生需手动在 PubMed、电子病历和本地文档间反复切换查询，单次复杂问询耗时超过 30 分钟。\n\n### 使用 Medical-Graph-RAG 后\n- **三层图谱联动**：工具自动构建包含私有病历、文献书籍和 UMLS 词典的“三位一体”知识图谱，精准定位从具体病例到权威理论的完整证据路径。\n- **可解释性增强**：系统生成的每个答案都附带明确的图谱节点来源，清晰展示推理过程，让医生能瞬间判断结论是否可信，显著降低幻觉干扰。\n- **语义深度融合**：基于图结构的检索理解了医学术语间的隐含关系（如因果、并发），即使提问方式模糊，也能准确召回相关的跨模态医疗知识。\n- **即时决策支持**：原本需要半小时的多源查证工作压缩至秒级响应，医生输入“该患者主要症状的潜在诱因？”即可直接获得带引用的结构化分析报告。\n\nMedical-Graph-RAG 通过构建分层医疗知识图谱，将碎片化的医疗数据转化为可追溯、可信赖的循证决策引擎。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FImprintLab_Medical-Graph-RAG_dce7a168.png","ImprintLab","Imprint Lab","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FImprintLab_1f53a865.png","",null,"https:\u002F\u002Fgithub.com\u002FImprintLab",[79,83,87],{"name":80,"color":81,"percentage":82},"Python","#3572A5",99.9,{"name":84,"color":85,"percentage":86},"Dockerfile","#384d54",0.1,{"name":88,"color":89,"percentage":90},"Shell","#89e051",0,765,133,"2026-04-18T12:00:33","MIT",4,"未说明","Docker 演示建议存储大小至少 10GB，具体 RAM 需求未说明",{"notes":99,"python":100,"dependencies":101},"1. 必须安装并配置 Neo4j 图数据库。2. 需要有效的 OpenAI API Key 和 NCBI API Key。3. 数据集涉及隐私和版权：顶层数据推荐使用 MIMIC-IV（需申请）或示例数据集 mimic_ex；中层书籍数据因版权无法提供原始内容，需自行购买处理；底层词典数据需注册 UMLS 账号申请使用。4. 建议使用 conda 根据提供的 yml 文件创建环境。5. Docker 演示版本使用网络搜索绕过本地数据存储的许可限制。","未说明 (需通过 medgraphrag.yml 配置)",[102,103,104,105,106],"Neo4j","OpenAI API (ChatGPT)","NCBI API","CAMEL framework","conda",[44,14,108],"其他",[110,111,112,113,114,115,116],"deep-learning","graph-rag","large-language-model","large-language-models","machine-learning","medical","retrieval-augmented-generation","2026-03-27T02:49:30.150509","2026-04-20T10:23:18.214585",[120,125,130,135,140],{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},44588,"创建 Conda 环境时失败（LibMambaUnsatisfiableError 或 googlemaps 构建错误）怎么办？","这是由于依赖包版本冲突或构建问题导致的。维护者已更新了 `medgraphrag.yml` 文件以解决此问题。请拉取最新的代码库，然后重新运行 `conda env create -f medgraphrag.yml` 命令即可。","https:\u002F\u002Fgithub.com\u002FImprintLab\u002FMedical-Graph-RAG\u002Fissues\u002F7",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},44589,"如何获取项目的源代码？","项目代码已经发布。您可以直接在 GitHub 仓库中查看和下载源码。","https:\u002F\u002Fgithub.com\u002FImprintLab\u002FMedical-Graph-RAG\u002Fissues\u002F1",{"id":131,"question_zh":132,"answer_zh":133,"source_url":134},44590,"如何将默认的 OpenAI 模型切换为其他模型（包括开源模型）？","您需要修改 `nano_graphrag` 目录下的 `_llm.py` 文件。可以参考社区提供的实现方案（如 https:\u002F\u002Fgithub.com\u002FFarhanMubashir\u002Fmedgraphraglocal），引入 `camel.models.OpenSourceModel` 和 `camel.embeddings.OpenSourceEmbedding` 等模块来替换原有的 OpenAI 调用逻辑，并处理消息数据的格式转换。","https:\u002F\u002Fgithub.com\u002FImprintLab\u002FMedical-Graph-RAG\u002Fissues\u002F12",{"id":136,"question_zh":137,"answer_zh":138,"source_url":139},44591,"MedGraphRAG 中间知识图谱层是如何构建的？使用了什么模型？","构建过程首先对文档进行了去重处理，然后使用了 Llama 模型来生成和组织图谱中的连接关系。","https:\u002F\u002Fgithub.com\u002FImprintLab\u002FMedical-Graph-RAG\u002Fissues\u002F11",{"id":141,"question_zh":142,"answer_zh":143,"source_url":144},44592,"是否会提供完整的医疗数据集？","目前主要提供用于测试的示例数据集。关于完整数据集的更多信息和更新，请查阅项目 README 文件中的说明部分。","https:\u002F\u002Fgithub.com\u002FImprintLab\u002FMedical-Graph-RAG\u002Fissues\u002F2",[]]