Course2Node 是一款智能化、可视化的课程知识图谱构建工具。它能够将零散的课程资源（PDF 课件、讲义笔记、课堂实录音频）自动化地转化为结构化的知识图谱，辅助学生和教研人员进行沉浸式的复习与知识点关联探索。
本项目诞生于南京大学信息管理学院 数据科学与数据分析课程的小组项目。如果你觉得这个项目对你有所启发，请给我们一个 Star ⭐️！
传统的课程学习往往伴随着海量、线性的课件和录音，难以在脑海中建立立体的知识网络。Course2Node 旨在：
- 打破信息孤岛：将一门课中数十个 PDF 和语音实录统一处理，自动提取核心概念。
- 可视化知识关联：利用 LLM 提取概念间的上下文联系，并以力导向图的形式直观呈现，支持跨章节的语义联想。
- 结构化沉淀：基于图谱自动生成高质量的 Markdown 笔记，辅助复习。
- 智能自测反馈：根据图谱中的重要节点和关系，动态生成练习题进行知识点检测。
- 📚 多模态数据摄入 (Ingestion)：
- 支持 PDF 文档的高效抽取与版面解析（通过 Kimi API）。
- 支持 音频文件 的语音识别与高精度转写（集成 Whisper / faster-whisper）。
- 🧠 智能知识抽取 (Knowledge Extraction)：
- 支持调用兼容 OpenAI 格式的大语言模型，自动化抽取概念 (Concepts)、属性和语义关系 (Relations)。
- 内置基于重要度和向量相似度的跨章节知识融合，智能连接不同讲次间的相关考点。
- 🕸 交互式图谱可视化 (Graph Visualization)：
- 基于 ReactFlow 的前端交互体验，支持力导向 (Force)、径向 (Radial)、聚类 (Cluster) 三种高级图谱布局。
- 支持点击节点展开详情侧边栏、全局高亮关联节点、无缝缩放和拖拽。
- 🔍 语义级全站检索 (Semantic Search)：
- 内置本地
BAAI/bge-m3向量检索模型（也支持接入云端 Embedding 服务）。 - 支持混合检索，随时定位关键知识点对应的原始文本块 (Chunks)。
- 内置本地
- 📝 一键生成笔记与导出 (Notes & Export)：
- 根据提取出的图谱一键生成结构化的知识笔记，支持 Markdown、TeX、纯文本导出。
项目采用前后端分离的现代 Web 架构，核心产物 (Artifacts) 均以本地 JSON 形式落盘，实现轻量级持久化。
Course2Node/
├── backend/ # 🐍 核心算法层与后端服务 (Python + FastAPI)
│ ├── app/
│ │ ├── api/routes/ # FastAPI 路由控制器 (上传, 图谱, 检索, 导出)
│ │ ├── core/types.py # 核心实体类定义 (基于 Pydantic)
│ │ ├── providers/ # LLM, Embedding, 外部 API 的适配层
│ │ ├── services/ # 核心业务逻辑实现
│ │ │ ├── ingestion.py # 音视频与文档切块引擎
│ │ │ ├── kimi_pdf.py # Kimi 文本智能提取
│ │ │ ├── llm_graph.py # 图谱与关系提取 Prompt 引擎
│ │ │ ├── graph_builder.py # 中心度计算、社区发现与总图谱融合
│ │ │ └── notes.py / exam.py # 生成式学习辅助工具
│ │ └── storage/ # 本地 Artifacts IO 读写管理
│ └── tests/ # 自动化测试用例
├── frontend/ # ⚛️ 交互层 (Vite + React + TypeScript)
│ └── src/
│ ├── api/ # API Client (与后端通信)
│ ├── components/ # UI 组件库 (Graph, Notes, Search, Primitives)
│ ├── pages/ # 路由页面 (Workspace, Pipeline, Home)
│ └── styles/ # CSS Tokens 设计规范
├── artifacts/ # 📂 运行时产生的知识数据 (图谱, 笔记, chunks)
└── docker-compose.yml # 🐳 一键部署配置 (可选)
- Python 3.11 或 3.12
- Node.js 20+ 或 22+
- ffmpeg (用于音频处理及 Whisper 转写)
- 大模型 API Key (需自备 Kimi API 及兼容 OpenAI 格式的 LLM API)
- macOS:
brew install ffmpeg - Windows: 使用管理员身份打开 PowerShell 执行
winget install Gyan.FFmpeg(安装后请重启终端并运行ffmpeg -version确认生效)
从示例文件复制环境变量配置，并填入你自己的 API Key：
macOS / Linux
cp .env.example .envWindows PowerShell
Copy-Item .env.example .env推荐的 .env 核心配置：
# --- 存储 ---
LOCAL_STORAGE_PATH=./artifacts
# --- 图谱抽取大模型 (需填入真实有效的 Key) ---
GRAPH_LLM_BASE_URL=https://api.deepseek.com/v1
GRAPH_LLM_API_KEY=sk-your-llm-key
GRAPH_LLM_MODEL=deepseek-chat
# --- PDF文档提取模型 (Kimi) ---
KIMI_BASE_URL=https://api.moonshot.cn/v1
KIMI_API_KEY=sk-your-kimi-key
KIMI_MODEL=kimi-k2.6
# --- 向量模型引擎 ---
EMBED_PROVIDER=bge_m3
EMBEDDING_LOCAL_MODEL_NAME=BAAI/bge-m3
# --- 语音识别配置 ---
WHISPER_MODEL_SIZE=base
WHISPER_LANGUAGE=auto后端基于 FastAPI 提供数据服务。
🍎 macOS / Linux
cd backend
python3 -m venv .venv
source .venv/bin/activate
pip install --upgrade pip setuptools wheel -i https://mirrors.aliyun.com/pypi/simple/
pip install -r requirements.txt -i https://mirrors.aliyun.com/pypi/simple/
uvicorn app.main:app --host 127.0.0.1 --port 8000 --reload🪟 Windows PowerShell
(注意：为解决 Windows 环境下 openai-whisper 构建问题，推荐使用如下包含 --no-build-isolation 的安装策略)
cd backend
python -m venv .venv
.\.venv\Scripts\python.exe -m pip install --upgrade pip wheel packaging "setuptools==69.5.1" -i https://mirrors.aliyun.com/pypi/simple/
.\.venv\Scripts\python.exe -m pip install -r requirements.txt --no-build-isolation -i https://mirrors.aliyun.com/pypi/simple/
.\.venv\Scripts\python.exe -m uvicorn app.main:app --host 127.0.0.1 --port 8000 --reload请新开一个终端窗口进行操作。
🍎 macOS / Linux
cd frontend
npm install
npm run dev -- --host 127.0.0.1 --port 5173🪟 Windows PowerShell
cd frontend
npm install
npx vite --host 127.0.0.1 --port 5173🎉 全部就绪！ 浏览器打开 http://127.0.0.1:5173 即可开始构建你的知识图谱。 (后端 API 接口文档可访问: http://127.0.0.1:8000/docs)
对于希望保持环境整洁的用户，或进行线上部署演示，可以直接使用 Docker Compose。
(请确保 .env 中 LOCAL_STORAGE_PATH 被设为了 /artifacts)
docker compose up --build启动后同样访问 http://127.0.0.1:5173 即可。
| 问题描述 | 解决方案 |
|---|---|
| 首次运行极慢 / 进度条卡住不动 | 本地首次运行 BAAI/bge-m3 和 Whisper 模型时，后台会从 HuggingFace 下载数十 GB 的权重文件。请保持网络通畅耐心等待。 |
Kimi PDF extraction is not configured |
说明 .env 中的 KIMI_API_KEY 未配置或读取失败。请检查根目录下是否存在合法的 .env。 |
LLM graph extraction returned no valid concepts |
大模型抽取图谱超时或理解异常。请确保 GRAPH_LLM_API_KEY 配置正确且账户有余额。遇到极其长篇的内容可以适当调大 GRAPH_LLM_TIMEOUT_SECONDS。 |
| 音频转写失败 (ASR failed) | 请首先排查机器是否成功安装了 ffmpeg 并加入环境变量。如果是 Windows，还需要确认命令行是否能全局调用 ffmpeg。 |
| 重启后端后之前的课程找不到了 | 请检查 .env 中的 LOCAL_STORAGE_PATH 是否使用的是绝对路径。如果是相对路径且启动路径发生了改变，可能导致找不到先前的 Artifacts 存档。 |
我们非常欢迎对该项目的各种改进：
- Fork 本仓库
- 创建你的特性分支 (
git checkout -b feature/AmazingFeature) - 提交你的更改 (
git commit -m 'Add some AmazingFeature') - 推送到分支 (
git push origin feature/AmazingFeature) - 发起一个 Pull Request
代码风格与检查命令参考：
# 后端测试
cd backend && .venv/bin/python -m pytest
# 前端生产构建测试
cd frontend && npm run build本项目基于 MIT License 开源。请自由地将其用于学习、研究与个人创造。
Built with ❤️ for better learning experiences.