LlamaIndex 可以通过利用其文档处理和索引功能，从非结构化数据中提取结构化关系，来构建知识图谱。 知识图谱将信息组织为实体（节点）及其连接（边），LlamaIndex 通过解析文本、识别关键概念和推断关系来帮助创建知识图谱。 例如，在处理一篇研究论文时，LlamaIndex 可以识别“研究人员”、“实验”和“发现”等实体，然后通过诸如“进行”或“发现”之类的动作来映射它们之间的关系。 这是通过与语言模型 (LLM) 的集成来实现的，这些模型分析文本中的语义模式并从文档中提取结构化的三元组（主语-谓词-宾语）。
为了构建数据结构，LlamaIndex 使用其 KnowledgeGraphIndex 将提取的三元组转换为节点和边。 开发人员可以配置解析器将文档拆分为块，然后应用 LLM 来生成关系。 例如，一篇新闻文章可以分成几个段落，每个段落都可以处理以识别“公司 A”和“首席执行官 John Doe”等实体，以及“由...创立”等边。 图可以存储在 Neo4j 等图形数据库中，也可以存储为内存结构。 LlamaIndex 还允许自定义——例如定义要优先考虑的实体类型或关系——确保图形与特定用例保持一致，例如跟踪技术文档中的产品依赖关系。
构建完成后，知识图谱可实现高级查询。 使用 LlamaIndex 的查询引擎，开发人员可以通过遍历图中的关系来提出复杂的问题，例如“公司 A 在 2023 年资助了哪些项目？”。 这比关键字搜索更有效，因为它利用了图的互连结构。 例如，在医学研究图中，查询可以跟踪药物与其在多项研究中的副作用之间的连接。 LlamaIndex 通过提供 API 来检索子图或特定节点，从而简化了与应用程序的集成，使其适用于推荐系统或数据可视化等任务。 该框架的灵活性使开发人员可以迭代地改进图，根据需要添加新的数据源或调整关系提取规则。