社内ドキュメントが宝の山に。Yuxi-Knowで実現する構造化ナレッジ共有の未来
これ、エンジニアから見ると「かゆいところに手が届く」かなり贅沢な構成なんです。美容院で例えるなら、カット（LLM）だけでなく、極上のトリートメント（RAG）と頭皮ケア（グラフDB）がセットになったフルコースメニューのようなものですね。
それでは、さっそく解説していきます！
一言で言うと、「情報のつながり（文脈）をめちゃくちゃ大切にするAIチャット基盤」です。
通常のAI（RAG）は、辞書を引くように「関連するページ」を探すのが得意ですが、Yuxi-Knowはそこに Neo4j（グラフデータベース） を組み合わせています。
普通のRAG
「Aについて書いてある場所を探す」
Yuxi-Know
「AとBの関係性は？ Aが原因でCが起きたんだよね？」という構造的な理解が可能。
さらに、PDFの解析に強い「MinerU」や、最新の「LightRAG」アルゴリズムを採用しているため、技術文書や複雑な仕様書を読み込ませるのに最適なんです。
このセットアップ（Vue + FastAPI + Neo4j）は、開発者にとって非常に「美味しい」ポイントが揃っています。
情報の精度が段違い
グラフ構造を使うことで、AIが「点」ではなく「線」で知識を補完できます。
拡張性（MCP対応）
Model Context Protocol (MCP) に対応しているので、外部ツールやデータソースとの連携がスムーズです。
モダンなスタック
バックエンドは高速な FastAPI、フロントは軽快な Vue 3。メンテしやすく、カスタマイズも容易です。
本来、Neo4jやベクトルDBを手動で立てるのは大変ですが、このプロジェクトは Docker を活用して一気に立ち上げられるよう設計されています。
Docker & Docker Compose
OpenAI などの API Key（またはローカルLLM）
リポジトリをクローン
git clone https://github.com/xerrors/Yuxi-Know.git
cd Yuxi-Know
環境設定
.env ファイルを作成し、APIキーやNeo4jのパスワードを設定します。
起動
docker-compose up -d
これで、フロントエンド（Vue）からバックエンド（FastAPI）まで、すべてのコンテナが連携して動き出します。
LangChain v1 をベースにしているので、自分好みの「エージェント」を追加するのも簡単です。例えば、PDFから知識を抽出してグラフDBに登録する処理のイメージはこんな感じです。
# backend/app/agents/my_custom_agent.py (イメージ)
from langchain_community.graphs import Neo4jGraph
from langchain_openai import ChatOpenAI
def setup_knowledge_agent():
# 1. Neo4j（グラフDB）への接続
graph = Neo4jGraph(url="bolt://localhost:7687", username="neo4j", password="password")
# 2. LLMの準備
llm = ChatOpenAI(model="gpt-4o", temperature=0)
# 3. Yuxi-Knowの仕組みを使って、構造化された知識を抽出
# (ここでは内部のLightRAGロジックを呼び出すイメージ)
print("エージェントが知識のネットワークを構築中...")
return "準備完了！どんな複雑な質問にも『文脈』でお答えします。"
「社内の大量のドキュメント、単純な検索だと精度が出ないんだよね」とお悩みの方。
「最新のGraphRAG（グラフRAG）を実戦投入してみたい」というエンジニア。
「PDFの表組みや図解も、しっかりAIに理解させたい」という現場。
Yuxi-Know は、これらを一つのプラットフォームで完結させてくれる、非常にポテンシャルの高い「道具箱」です。
もしよろしければ、まずは Dockerでデモ環境を立ち上げて、お手持ちのPDFを1枚読み込ませてみる ところから始めてみませんか？グラフが繋がっていく様子は、見ていて結構感動しますよ！
