把 Markdown 笔记变成可问答的知识图谱：本地 Graph RAG 工具 Kwipu 实测

你有没有这种困境：Obsidian 或者本地 Markdown 笔记越积越多，却只能靠关键词搜索，根本无法跨文件追问「这个概念和那个概念有什么关联」？

Kwipu 想解决的正是这个问题------它把你的 Markdown 笔记目录，构建成一张可被本地 LLM 查询的知识图谱（Property Graph），实现真正的自然语言 Q&A。全程本地，不碰云端。

它是怎么工作的

Kwipu 的核心管道非常清晰：

复制代码

Markdown 文件
  → 预处理（解析 [[wikilinks]] 和 YAML frontmatter）
  → LLM 提取（实体 + 关系三元组）
  → Property Graph Index（持久化到 storage_graph/）
  → 混合检索（Vector + BM25 + 时间维度 + 同义词）
  → LLM 生成回答

区别于普通 RAG 只做向量相似度检索，Kwipu 引入了图结构：每个实体、每条关系都被提取出来，查询时同时走向量、BM25 和图关系，命中质量更高，尤其适合知识密度高的笔记库。

核心特性一览

特性	说明
完全本地	基于 Ollama 运行，数据不出本机
Graph RAG	实体-关系三元组 + 混合检索
增量更新	新增一个文件只需 20-60s，无需全量重建
Obsidian 友好	自动识别 `[[wikilinks]]`，`.obsidian/` 配置忽略
多语言支持	通过 `lang_config.py` 配置
持久化图索引	构建一次，后续查询秒级加载

快速上手

环境要求：

Ollama（本地推理引擎）
推荐模型：llama3.1:8b / qwen2.5:7b / mistral:7b
Embedding：nomic-embed-text

bash 复制代码

# 克隆项目
git clone https://github.com/benmaster82/Kwipu
cd Kwipu
pip install -r requirements.txt

# 拉取所需模型
ollama pull qwen2.5:7b
ollama pull nomic-embed-text

# 把笔记放到 knowledge_base/ 或修改 geode_graph.py 中的 KNOWLEDGE_DIR
# Obsidian 用户直接指向 vault 路径即可

# 启动
python geode_graph.py

首次运行会构建图索引，时间取决于笔记数量：

笔记数量	GPU（7B）	CPU（7B）
5 篇	~2 分钟	~5 分钟
20 篇	~7 分钟	~20 分钟
100 篇	~35 分钟	~100 分钟
500+ 篇	~3 小时	不建议

重要：构建完成后图结构持久化到磁盘，后续启动秒级加载，新增文件增量更新约 20-60 秒。

硬件需求参考

组件	内存占用
Ollama LLM（7B Q4）	~5-6 GB
Embedding 模型	~300 MB
图索引构建	0.5-4 GB
查询阶段	200-500 MB
7B 方案合计	约 8-12 GB

推荐最低配置：16 GB 内存 + 独立显卡（有 GPU 加速差距明显）。

一个实用技巧：先云后本地

Kwipu 项目文档里有个思路很有意思：

用一次性的强力云模型（通过 Ollama API 接入）构建知识图谱，然后切换成轻量本地模型日常查询。

图结构（实体、关系、三元组）一旦构建完成就和模型解耦了，切换模型不需要重建图，只影响回答生成质量。这意味着你可以用 qwen2.5:72b 做一次高质量的知识提取，然后用 3b 模型来低成本日常查询------相当节省算力。

适合谁用

Obsidian 重度用户：笔记多、关联密，想要跨文件知识问答
个人知识库管理者：不愿意把笔记传云端，追求完全离线
研究/阅读笔记积累者：大量摘录、读书笔记，需要跨文件回溯
对 RAG 感兴趣的开发者：Graph RAG 的落地参考实现

总结

Kwipu 不是又一个向量数据库套 LLM 的玩具。它真正做到了把非结构化 Markdown 笔记转化为有明确图结构的知识库，查询路径更丰富，回答质量更稳定。全本地、MIT 开源、对 Obsidian 零侵入------如果你在找一个认真对待「知识管理」这件事的本地 RAG 工具，Kwipu 值得一试。

项目地址：github.com/benmaster82/Kwipu