平台大战对话框架

一个结合了知识图谱和RAG的多智能体对话框架，可以从不同社交平台的评论中提取并构建知识图谱数据库，让它们以各平台代表性的观点和表达方式，围绕一个话题展开辩论。

文件结构

API key配置文件是config.py。该程序基于moonshot-v1模型实现，需要在配置文件中填入从kimi开放平台申请的API key以正常运行。如果需要更换其他模型服务，需要同时修改API_BASE_URL和程序中相应调用大模型的部分（模型名称、特殊参数等）

知识图谱类的主文件是knowledgeGraph.py，具体实现主文件接口的组件类分别为graph_entity.py，graph_search.py，graph_storage.py，graph_visualization.py。用于RAG的嵌入模型配置文件为embedding_model.py。

使用到知识图谱的两个工具类是knowledge_retriever.py和knowledgeGraphExtractor.py，分别用于信息检索和知识图谱提取。

平台大战对话的主程序是platform_war.py，相关UI和Agent类分别为platform_war_UI.py和chat.py。

环境配置

由于向量数据处理部分使用的faiss-gpu暂时只支持CUDA加速，所以本项目目前只支持Windows/Linux系统运行。

创建conda环境

conda create -n platform_war python=3.11.7
conda activate platform_war

启用gpu加速（可选）

安装电脑显卡版本匹配的CUDA和PyTorch, 例（具体版本请按电脑配置修改）：

conda install pytorch==2.1.2 torchvision==0.16.2 torchaudio==2.1.2 pytorch-cuda=12.1 -c pytorch -c nvidia

然后用以下命令安装FAISS的gpu版本

conda install -c conda-forge faiss-gpu

项目目录下安装依赖（必选）

pip install -r requirements.txt

如果前一步没有安装CUDA，需要将embedding_model.py中的

model_kwargs={"device": "cuda"}

修改为

model_kwargs={"device": "cpu"}

配置API（必选）

该程序基于moonshot-v1模型实现，需要在配置文件中填入从kimi开放平台申请的API key以正常运行。API key配置文件是config.py。

图谱提取

knowledgeGraphExtractor.py可用于从指定格式的json文件中自动提取知识图谱。

在项目目录下新建data文件夹，放入需要提取的数据文件，命名为result.json（或者可以修改knowledgeGraphExtractor.py中的路径以使用其他文件名），然后运行knowledgeGraphExtractor.py。

result.json需要遵循以下json格式：

{
  "item_id": {                 // 项目ID作为key
    "title": string,           // 标题
    "clusters": [              // 评论簇数组
      {
        "comments": [          // 评论内容数组
          string,
          ...
        ]
      }
    ]
  },
  "item_id": {
    "title": string,
    "clusters": [
      {
        "comments": [
          string,
          ...
        ]
      }
    ]
  },
  ...
}

平台辩论

从原始数据提取完知识图谱后，会在项目目录下生成相应的知识图谱数据库。

可以将platform_war.py、platform_war_UI.py和chat.py中的PLATFORM_NAME和PLATFORM_KNOWLEDGE_BASE修改为对应的数据库名称和路径。

运行platform_war.py以开始平台辩论。

预提取数据库

如果想复现项目视频中的效果，需要单独下载三个平台的向量数据库。

百度网盘下载链接：

https://pan.baidu.com/s/1Ki0Sym9dmM76e6ghR6P8jQ?pwd=j3ih 提取码: j3ih

谷歌云盘下载链接：

https://drive.google.com/drive/folders/1kaXPSTjVaI1LP9lPtu8XhCnqjgWVlajY?usp=sharing

使用方法：

解压缩，并将bilibili_knowledge_base，weibo_knowledge_base，zhihu_knowledge_base三个文件放在项目目录下。

运行platform_war.py以开始平台辩论。

已知问题

• UI缺乏自适应，在不同尺寸的窗口中可能存在显示不全/错位的问题。
• 对话轮次超出屏幕范围后，新对话会与旧对话互相覆盖。

参考

微软GraphRAG项目 https://github.com/microsoft/graphrag

platform-war-public 快速上手指南

环境准备

系统要求

• 操作系统：仅支持 Windows 或 Linux（因 faiss-gpu 依赖 CUDA 加速，暂不支持 macOS）。
• Python 版本：3.11.7
• 硬件要求：推荐配备 NVIDIA 显卡以启用 GPU 加速；若无独立显卡，需手动配置为 CPU 模式。

前置依赖

• Conda 包管理器
• Kimi 开放平台 API Key（基于 moonshot-v1 模型）
• （可选）与显卡匹配的 CUDA Toolkit 和 PyTorch

---

安装步骤

1. 创建并激活 Conda 环境

conda create -n platform_war python=3.11.7
conda activate platform_war

2. 配置 GPU 加速（可选）

若拥有 NVIDIA 显卡，请安装对应版本的 PyTorch 和 FAISS GPU 版。以下示例为 CUDA 12.1 环境，请根据实际显卡驱动调整版本：

conda install pytorch==2.1.2 torchvision==0.16.2 torchaudio==2.1.2 pytorch-cuda=12.1 -c pytorch -c nvidia
conda install -c conda-forge faiss-gpu

注意：若不安装 CUDA，请在后续步骤中将代码中的设备参数改为 cpu。

3. 安装项目依赖

在项目根目录下执行：

pip install -r requirements.txt

若无 GPU 环境：打开 embedding_model.py，将 model_kwargs={"device": "cuda"} 修改为 model_kwargs={"device": "cpu"}。

4. 配置 API Key

编辑 config.py 文件，填入从 Kimi 开放平台 申请的 API Key：

# config.py 示例
API_KEY = "你的_sk_开头密钥"
API_BASE_URL = "https://api.moonshot.cn/v1" # 默认无需修改，换模型时需调整

---

基本使用

本项目核心功能为“平台辩论”，即让不同社交平台的 AI 智能体基于各自的知识库进行对话。

方式一：直接使用预提取数据库（推荐新手）

若想快速体验演示效果，无需自行处理数据，直接使用官方提供的向量数据库。

1. 下载数据库 从以下任一链接下载并解压，将 bilibili_knowledge_base、weibo_knowledge_base、zhihu_knowledge_base 三个文件夹放入项目根目录：

   • 百度网盘：下载链接 (提取码: j3ih)
   • 谷歌云盘：下载链接

2. 检查配置 确保 platform_war.py、platform_war_UI.py 和 chat.py 中的 PLATFORM_KNOWLEDGE_BASE 路径指向刚才放入的数据库文件夹名称。

3. 启动辩论 运行主程序：

   python platform_war.py
   

方式二：自定义数据构建知识库

若需使用自己的评论数据构建知识图谱：

1. 准备数据 在项目根目录新建 data 文件夹，放入名为 result.json 的文件。数据格式如下：

   {
     "item_id": {
       "title": "话题标题",
       "clusters": [
         {
           "comments": ["评论内容 1", "评论内容 2"]
         }
       ]
     }
   }
   

2. 提取知识图谱 运行提取脚本生成向量数据库：

   python knowledgeGraphExtractor.py
   

3. 更新路径并启动 修改代码中的 PLATFORM_NAME 和 PLATFORM_KNOWLEDGE_BASE 指向新生成的数据库，然后运行：

   python platform_war.py