Hypergraph is more powerful. Transform unstructured text into structured knowledge with LLMs. Graphs, hypergraphs, and spatio-temporal extractions — with one command.
重构 BaseKnowledge 类,更新构造函数,添加搜索方法,优化文档注释
yifanfeng976ecfc856dd29
diff --git a/src/knowledge/base.py b/src/knowledge/base.pyindex 6010337..bbf51e3 100644--- a/src/knowledge/base.py+++ b/src/knowledge/base.py@@ -1,47 +1,53 @@from abc import ABC, abstractmethod-from typing import TypeVar, Generic, Any, Optional, Dict+from typing import TypeVar, Generic, Any, Dictfrom pydantic import BaseModel+from langchain_core.language_models.chat_models import BaseChatModel+from langchain_core.embeddings import Embeddings+# T 是具体的数据 Schema (如 GraphSchema, HypergraphSchema)T = TypeVar("T", bound=BaseModel)+class BaseKnowledge(ABC, Generic[T]):"""智能知识容器基类。-+核心特性:1. 持有 LLM 实例:它是"活"的,知道如何利用 LLM 处理数据。- 2. 极简生命周期:Extract (摄入) -> Evolve (演化) -> Dump (产出)。+ 2. 极简生命周期:Extract -> Evolve -> Search -> Dump。"""- def __init__(self, llm: Any, initial_data: Optional[T] = None):+ def __init__(+ self,+ llm_client: BaseChatModel,+ embedder: Embeddings,+ storage: str = "memory",+ **kwargs,+ ):"""- :param llm: LangChain 的 ChatModel 实例或兼容的 Driver 包装器。- :param initial_data: 可选的初始数据。+ :param llm_client: LangChain 的 ChatModel 实例或兼容的 LLM 客户端。+ :param embedder: LangChain 的 Embeddings 实例或兼容的向量化客户端。+ :param storage: 后端存储类型。默认为 "memory",也可以是数据库类型如 "postgres"、"mongodb" 等。"""- self.llm = llm- self.data: T = initial_data or self._get_schema_class()()+ self.llm_client = llm_client+ self.embedder = embedder+ self.storage = storageself.metadata: Dict[str, Any] = {}- @property- @abstractmethod- def _get_schema_class(self) -> type[T]:- """[配置] 定义该容器持有的数据结构类"""- pass-- # ================= 1. 摄入 (Extract) [必须实现] =================+ # ================= 1. 提取 (Extract) [核心方法] =================@abstractmethod- async def extract(self, text: str, **kwargs):+ async def extract(self, text: str, **kwargs) -> T:"""- 核心摄入逻辑。-+ 核心提取逻辑。从原始数据中提取对应类型的知识。+职责:1. 构造 Prompt。2. 调用 self.llm 对 text 进行分析。3. 解析返回结果。- 4. 【重要】将结果 merge/update 到 self.data 中。-+ 4. 【重要】返回提取出的知识对象。+注意:这里的实现可以很复杂,可以包含 '提取' -> '清洗' -> '去重合并' 的全过程。"""pass@@ -51,9 +57,9 @@ class BaseKnowledge(ABC, Generic[T]):async def evolve(self, **kwargs):"""知识演化/内省逻辑。-+默认行为:什么都不做(并非所有知识都需要演化)。-+子类用途:- 图卷积 (Convolution):传播节点属性。- 聚类 (Clustering):发现社区。@@ -62,7 +68,24 @@ class BaseKnowledge(ABC, Generic[T]):"""pass- # ================= 3. 产出 (Dump) [必须实现] =================+ # ================= 3. 查询与搜索 (Search) =================++ @abstractmethod+ async def search(self, query: str, **kwargs) -> Any:+ """+ 在当前已有的知识中进行查询。+ 可以是语义搜索、关系查询或简单条件过滤。+ """+ pass++ # ================= 4. 读写操作 (Load & Dump) =================++ @abstractmethod+ def load(self, data: Any, **kwargs):+ """+ 从外部恢复知识。数据可以是 dict, json string 或文件路径。+ """+ pass@abstractmethoddef dump(self, format: str = "json") -> Any:@@ -70,9 +93,3 @@ class BaseKnowledge(ABC, Generic[T]):将内部知识导出为标准格式。"""pass-- # ------------------ 通用辅助方法 -------------------- def clear(self):- """清空知识库"""- self.data = self._get_schema_class()()