MCP-based Knowledge Graph Construction System

## 整体架构分析

###  输入阶段：文本输入增强

- **结构化预处理**：对原始文本进行标准化处理
- **质量计算**：评估输入文本的质量指标



### 实体/关系抽取

- 目前方法为通过LLM接口实现实体与关系的抽取，提取出的实体和初步关系作为节点和边基础



### 核心处理：内容增强

系统将内容增强分为三大分析维度：

#### 偏细节分析（蓝色模块）

- **逻辑检查** + **关联分析** → **属性缺失**
- 专注于单个节点或小规模节点组合的分析
- 识别实体属性信息的缺失

#### 偏全局分析（黄色模块）

包含多个子模块：

- **实体中动词/谓语潜在缺失** → **流程性关系/事件逻辑关系**
- **分析实体关键词频率等统计信息** → **相似内容/实体关系性**
- **分析事情逻辑/因果关系** → **实体间层次关系**
- **节点直接逻辑关系** → **类别关系**

这些模块从全局视角分析图谱结构问题。

#### 逻辑分析（紫色模块）

- **模拟执行分析缺失信息（智能体）** → **内容关系/缺失信息**
- 使用AI智能体进行深层逻辑推理和缺失信息补全



### 处理引擎：综合补齐引擎

​	位于系统中心，整合所有分析结果，执行具体的补全策略。将上述的三个模块的输出（属性缺失、流程性关系/事件逻辑关系、详细内容/实体关联性、实体间层次关系、类别关系、内容关系/缺失信息）以及补充内容（世界知识、垂域知识库、模型逻辑能力）作为输入，通过联网搜索、推断补全、知识库补全等方法进行综合补齐



### 质量评估与构建

对内容增强后的文本进行质量评估。

- **图谱质量分析**：包含质量评估引擎，通过结构性分析、完整性分析、一致性分析等分析文本质量
- **图谱构建**：最终的知识图谱生成
- **迭代循环**：若文本质量较低，则送回内容增强的部分进行重新增强