ShenNongMi

一句话定位

中医知识导航平台：用 19,000+ 节点的 Neo4j 知识图谱当底座， 接上 LangGraph 工作流和自纠错的 NL2Cypher，回答中医问题时不靠模型硬编， 而是先查图谱再生成答案；顺带做了一个"生成养生内容并自动发布到小红书"的管线。

做这个东西的人

GitHub 作者 Happy-Chen-CH，README 自述与 Claude 协作开发，项目仅用于教育研究， 数据来自公开中医百科网站。作者身份、背景：未披露。

判断：这是"一人 + AI 协作"的典型技术型项目——价值在于把一整套 图谱 + Agent 工作流的技术栈跑通并公开出来，而非产品化。 作者更像是想验证"垂直知识图谱 + Agent 工作流"这套架构能不能落地到中医领域。

它到底能做哪几件事

• 中医知识问答 → 基于 Neo4j 图谱（19K+ 节点、6 类实体、6 类关系）回答 关于草药、方剂、症状、功效、典籍的问题
• 自纠错 NL2Cypher → 抽取实体 → FAISS（BGE-Large-Zh-v1.5）匹配图谱节点 → 生成 Cypher → 校验正确性，错了就重新生成 → 查询 → 生成答案， 把 LLM 幻觉压到"图里有、才答得出来"的范围内
• 意图识别 → fastText + 微调 RoBERTa-LoRA 双模型区分"问中医"和"发内容"两种意图， 声称准确率 99.75%
• 小红书内容生成与发布 → 生成中医养生内容 + 火山引擎即梦 AI 配图， 用 Playwright 自动化发布到小红书
• 图谱交互浏览 → 可视化探索 6 类实体和 6 类关系的知识网络

技术栈：DeepSeek v4（抽取/问答/Cypher）、Neo4j、LangGraph（14 节点工作流）、 FAISS、Streamlit 前端 + FastAPI 后端（SSE 流式）。

它在替代什么旧行为

以前想查中医知识有三条路：搜索引擎——结果泛而杂，可靠性参差； 直接问大模型——中医是模型最容易一本正经胡编的领域，方剂、归经、配伍 错了会误导人；翻书或找大夫——准确但慢。

这个项目替代的是"用通用 LLM 回答垂直知识"的不可靠路径： 它用知识图谱给答案做底，模型只负责把图的查询结果组织成话术， 答不出来的宁可报错也不编。同时把"在小红书发养生内容"从 "手工写稿、找图、登录、发布"变成了一条自动管线。

商业模式

无。 MIT 开源，纯教育研究项目，没有产品、没有服务、没有收费。

判断：这类项目的商业价值不在一分不收的 demo 本身， 而在"垂直知识图谱 + 自纠错查询"这套模式——如果中医能跑通， 法律、金融、机械等同样有强结构化知识的领域都可以复制。但作者目前没做产品化。

硬数字

• GitHub：103 star / 7 fork / 0 open issue，共 5 次提交（最近提交 2026-08-07）
• 图谱：19,000+ 节点，6 类实体、6 类关系
• 工作流：14 个节点（LangGraph）
• 声称意图识别准确率 99.75%（fastText + RoBERTa-LoRA 双模型）
• 作者数、用户数、活跃度：单人项目，无用户数据

四维评估

判断

这个项目值得看的是机制，不是产品。

"用知识图谱约束 LLM 输出"是 2026 年垂直 AI 最被高估也最被低估的命题之一。 被高估是因为建图成本极高；被低估是因为一旦建成，它是模型抹平不掉的壁垒。 ShenNongMi 的价值在于把整套机制开源出来当样板—— 自纠错 NL2Cypher（答不出来就重查，而不是硬答）是对"垂直问答不可靠" 这个通病的一个对症解法。

但要泼三盆冷水。 第一，99.75% 的准确率是意图识别（判断"要不要发布"） 而不是医学答案准确率，两者容易被混为一谈；图谱只覆盖 19K 节点， 中医知识的真实规模远超于此，"答得出来"的范围很窄。 第二，小红书自动发布是合规灰区——项目自己的免责声明都要求遵守平台条款， 自动化发布可能违反平台规则，这套功能做成产品有风险。 第三，5 次提交、单作者、无用户，说明它更接近技术实验， 离"能用"和"有人用"都有距离。

下一步看什么

① 三个月后 stars 能否过 500、提交频率是否保持——判断是不是一次性项目 ② 图谱规模是否扩张（节点数、典籍覆盖）——垂直知识的深度决定上限 ③ 是否有第三方（医疗科普、知识付费团队）基于它做产品—— 开源样板被复用的次数是这类项目真正的影响力指标

可借鉴的做法

产品逻辑：做垂直领域问答时，不要指望 LLM 直接回答， 用结构化知识库（图谱/数据库）当答案的"唯一事实源"， LLM 只负责把查询结果组织成话术，并让"查不到就明说"成为默认行为。 这套"知识库约束生成"的架构可以迁移到任何有强结构化知识的领域。

定价结构：无。未商业化。

结论

有待观察。 "垂直图谱约束 LLM"的机制本身有学习价值， 但项目还停留在单人技术实验阶段：数据浅、迭代少、无用户、无商业意图。 关注它作为样板被复用的方式，而不是它本身。