人工阅读 vs AI 阅读：以《苏东坡传》为例

去年五月，我在阅读林语堂的《苏东坡传》时，边读边整理了书中主要人物的关系。最后，借助图数据库 Neo4j (https://neo4j.com)将这些人物关系存储在数据库中，并以可视化的方式呈现。完成后，我还写了一篇读书博客（https://blog.hohoweiya.xyz/2023/05/31/su-shi/），其中展示了这个可视化的人物关系图。当时，怡轩读到这篇博客，邀请我投稿到统计之都。然而由于拖延症发作，一拖就是一年半。

前几天逛 GitHub 时，发现了一个名为LightRAG(https://github.com/HKUDS/LightRAG)的热门项目，其中的“RAG”指的是检索增强生成（Retrieval-Augmented Generation）。这是结合信息检索（retrieval）与生成模型（generation）的自然语言处理技术。RAG 的核心目标是通过引入外部知识库或文档中的相关信息（如一本书），提升生成模型的性能，尤其在需要特定领域知识或上下文信息的任务中有显著的表现。

一个很自然的应用场景就是让语言模型“读”一本书，然后构建基于该书的知识图谱。由于 RAG 的生成过程依赖于外部知识库（“读”书），它能够在生成过程中引用真实的外部信息，特别是在回答涉及特定知识的问题时，表现得更加可靠和准确。

于是便用 LightRAG 对《苏东坡传》进行“阅读”，构建了一个基于书本内容的知识图谱，这样就可以与去年手动整理的知识图谱做一个简单比较。

人工读书

首先，先介绍下去年我手动整理的知识图谱。当时，怡轩提醒我在投稿时可以补充一些数据整理的细节，但心想，哪有什么整理过程啊，所有数据都是一行一行手动输入的（哈哈哈）。

整理出的数据格式如下：

# 数据文件在此仓库中：https://github.com/szcf-weiya/Su-Shi/blob/master/Su-shi.csv
$ head Su-shi.csv 
chapter,chapter_name,location,name,name_zi,name_hao,name_other,career,relation,activities,comments,poem_to,poem_from
1,文忠公,,,,,,,,,,,大略如行云流水，初无定质，但常行于所当行，常止于不可不止。文理自然，姿态横生。
1,文忠公,黄州,李琪,,,,歌伎,,,,,东坡四年黄州住，何事无言及李琪。却似西川杜工部，海棠虽好不吟诗。
2,眉山,眉山,苏洵,明允,老泉,,,父亲,,,,
2,眉山,眉山,苏辙,子由,,颍滨遗老；苏栾城,,弟弟,,,,
2,眉山,眉山,苏轼,子瞻,东坡,,,本人,,,,
2,眉山,眉山,苏序,,,,,祖父,,,,
2,眉山,眉山,程某,,,,,外祖母,,,,
3,童年与青年,眉山,陈太初,,,,道士,同学,,,,
3,童年与青年,眉山,苏辙,,,,,弟弟,,,我初从公，赖以有知。抚我则兄，诲我则师。,我少知子由，天资和且清。岂独为吾弟，要是贤友生。

每一行记录了以下内容：

• 人物（名字 name , 字 name_zi , 号 name_hao , 其他名字 name_other ）
• 出现的章节 ( chapter 和 chapter_name )
• 地点 ( location )
• 职业 ( career )
• 与苏轼的关系 ( relation )
• 写给苏轼的诗词 ( poem_to )
• 苏轼写来的诗词 ( poem_from )

我的整理流程很简单：一边读书一边填写表格。随着《苏东坡传》读完，这个表格也逐渐填满。尽管部分数据存在缺失，但关键的人物关系已经基本完整，因此决定使用可视化工具来呈现这些关系。

选择 Neo4j 的原因是我之前接触过知识图谱项目，对这个工具比较熟悉。Neo4j 是一个专门用于存储和处理图数据的图数据库管理系统，它与传统的关系型数据库不同，采用图结构来表示数据：结点 (node) 表示实体，边 (edge) 表示实体之间的关系。这种结构特别适合处理复杂的关系数据，例如社交网络、推荐系统和知识图谱等。

Neo4j 使用 Cypher (https://neo4j.com/docs/cypher-manual/current/introduction/)作为查询语言，类似 SQL，但它专为图结构设计，能够更直观地查询和操作结点、边及其关系。

安装配置 Neo4j

对于 Neo4j 的入门及安装教程，可以参考这篇知乎文章(https://zhuanlan.zhihu.com/p/88745411)，不做赘述。这里记录一下在 Ubuntu 系统下根据官方教程（https://neo4j.com/deployment-center/）的安装流程：

wget -O - https://debian.neo4j.com/neotechnology.gpg.key | sudo apt-key add -
echo 'deb https://debian.neo4j.com stable 4.4' | sudo tee /etc/apt/sources.list.d/neo4j.list
sudo apt-get update
sudo apt-get install openjdk-11-jdk
sudo apt-get install neo4j

然后安装 apoc (https://github.com/neo4j/apoc)插件：

1. 从 GitHub releases 界面下载与 Neo4j 匹配版本的 Apoc .jar 文件
2. 将 .jar 文件复制到 $NEO4J_HOME/plugins 目录中

准备完成后，可以通过以下命令启动 Neo4j：

neo4j start

构建数据库

因为我关注的是人物关系，所以只采用原数据中的三列： name , relation , career 。以下分三步采用 Cypher 查询语言给每个人 ( name ) 创建一个结点（如有职业 career 信息，则标注），并为每个人与苏轼根据 relation 建立一条联系：

1. 对于职业 ( career ) 不为空的人，创建结点时构造两个标签： People 和具体职业 career

LOAD CSV WITH HEADERS FROM 'https://github.com/user-attachments/files/17481791/sushi-relation2.csv' AS row
WITH row WHERE row.career <> ''
CALL apoc.create.node(["People", row.career], {name: row.name, relation: row.relation}) YIELD node
RETURN *

2. 对于职业未知的人，创建结点时只赋予 People 的标签

LOAD CSV WITH HEADERS FROM 'https://github.com/user-attachments/files/17481791/sushi-relation2.csv' AS row
WITH row where row.career = ''
CALL apoc.create.node(["People"], {name: row.name, relation: row.relation}) YIELD node
RETURN *

3. 然后对于每一个结点，都建立一个与苏轼的关系，其中具体关系类型便是数据中的 relation

// add relation
MATCH (a:People) where a.relation <> '' and a.name <> '苏轼'
MATCH (o:People) where o.name = '苏轼'
CALL apoc.create.relationship(a, a.relation, {}, o) YIELD rel
RETURN *

最后，执行以下查询展示整个关系图：

MATCH (n) RETURN n

AI“读”书

这一部分开始介绍使用大语言模型来“读”书并构建知识图谱。

安装运行 LightRAG

安装流程直接参考官方仓库（https://github.com/HKUDS/LightRAG）：

conda create --name lightRAG python=3.10
conda activate lightRAG
git clone [email protected]:HKUDS/LightRAG.git
cd LightRAG
pip install -e .

如果你使用 OpenAI 的模型，需要申请一个 OPENAI_API_KEY ，并设置好环境变量（当然 LightRAG 也支持其他大语言模型）：

export OPENAI_API_KEY="sk-..."

准备就绪后，便可以在 Python 运行以下脚本初始化 LightRAG：

from lightrag import LightRAG, QueryParam
from lightrag.llm import gpt_4o_mini_complete, gpt_4o_complete

WORKING_DIR = "./sushi"

rag = LightRAG(
    working_dir=WORKING_DIR,
    llm_model_func=gpt_4o_mini_complete 
)

接下来就是让语言模型“读”书了，我们需要一本文字版的《苏东坡传》，比如这个仓库（https://github.com/0voice/expert_readed_books）。下载到本地后，指定存储路径，便可以让 RAG 读书了：

with open("/home/weiya/GitHub/expert_readed_books/人物传/林语堂：苏东坡传.txt") as f:
    rag.insert(f.read())

读书过程中 ( f.read() )，可能会遇到编码问题，比如

UnicodeDecodeError: 'utf-8' codec can't decode byte 0xc4 in position 1: invalid continuation byte

这个错误通常是由于文件的编码格式不是 UTF-8 导致的，你可以使用 iconv 工具将文件转换为 UTF-8 编码格式：

iconv -f GB18030 林语堂：苏东坡传.txt -t UTF8 -o 林语堂：苏东坡传_UTF8.txt

如果书本文件过大，一次性读取整本书可能会超出 GPT 的速率限制，出现以下类似错误：

openai.RateLimitError: Error code: 429 - {'error': {'message': 'Rate limit reached for gpt-4o-mini in organization ****** on tokens per min (TPM): Limit 200000, Used 195869, Requested 4412. Please try again in 84ms. Visit https://platform.openai.com/account/rate-limits to learn more.', 'type': 'tokens', 'param': None, 'code': 'rate_limit_exceeded'}}

可以采用一种简单的解决方式：将书本拆分成多个小文件，然后逐一读取。例如，下面将书分成五部分，每部分大约 300 行，依次读取：

with open("/home/weiya/GitHub/expert_readed_books/人物传/sushi_utf8_part1.txt") as f:
    rag.insert(f.read())

with open("/home/weiya/GitHub/expert_readed_books/人物传/sushi_utf8_part2.txt") as f:
    rag.insert(f.read())

with open("/home/weiya/GitHub/expert_readed_books/人物传/sushi_utf8_part3.txt") as f:
    rag.insert(f.read())

with open("/home/weiya/GitHub/expert_readed_books/人物传/sushi_utf8_part4.txt") as f:
    rag.insert(f.read())

with open("/home/weiya/GitHub/expert_readed_books/人物传/sushi_utf8_part5.txt") as f:
    rag.insert(f.read())

MATCH (n) DETACH DELETE n

最终数据库中存储了 2004 个结点，1150 条关系。为了图形展示的清晰度，仅能展示 300 条关系（ LIMIT 300 ）。通过可视化图谱，可以直观地查看不同实体之间的关联。

知识图谱

以下基于已经构建好的图数据库，通过对结点的类型（比如，人 n:PERSON 或地点 n:POSITION ）和关系的类型（比如，友情 r:friendship ）做查询进行一些探索。

亲密关系

首先我们来看看苏东坡的家人：

MATCH (n:PERSON {id: '苏东坡'})-[r]-(m:PERSON)zzf
WHERE type(r) CONTAINS 'family'
   OR type(r) CONTAINS 'love'
RETURN n, r, m

图中主要有

• “我少知子由，天资和且清。岂独为吾弟，要是贤友生” 的弟弟苏辙（子由）
• “十年生死两茫茫，不思量，自难忘。千里孤坟，无处话凄凉”的妻子王弗
• 坊间传闻的初恋“堂妹”

这里我们也可以看出一个明显的问题——实体的不唯一，我们都知道“苏子由”，“兄弟子由”，以及“苏辙”都是同一个人，但上图却分成了三个实体。

同样，我们可以看看苏轼的朋友们：

MATCH (n:PERSON {id: '苏东坡'})-[r]-(m:PERSON)
WHERE type(r) CONTAINS 'friend'
RETURN n, r, m

其中有

• “生不愿封万户侯，但愿一识苏徐州”的秦观
• “画竹必先得成竹于胸中”的文与可
• “师唱谁家曲，宗风嗣阿谁，借君拍板与门槌，我也逢场作戏莫相疑。溪女方偷眼，山僧莫皱眉，却愁弥勒下生迟，不见阿婆三五少年时”中“山僧”——大通禅师

人生足迹

接着我们可以看看苏轼曾造访过的地方，

MATCH (n)-[r]-(m)
WHERE any(label IN labels(n) WHERE label IN ['GEO', 'LOCATION'])
RETURN n, r, m 
LIMIT 300

有两个很明显的地理簇：杭州和西湖。毕竟修浚西湖时建造了“西湖十景”之首的“苏堤春晓”；还有那脍炙人口的“水光潋滟晴方好，山色空蒙雨亦奇。欲把西湖比西子，淡妆浓抹总相宜。”

苏轼一生足迹遍布全中国，小至一叶扁舟，大至一座孤岛：

• 江山小舟：“壬戌之秋，七月既望，苏子与客泛舟游于赤壁之下。...盖将自其变者而观之，则天地曾不能以一瞬；自其不变者而观之，则物与我皆无尽也，而又何羡乎！...”
• 庐山：“横看成岭侧成峰，远近高低各不同。”
• 承天寺：“念无与乐者，逐步至承天寺，寻张怀民。怀民亦未寝，相与步于中庭。庭下如积水空明，水中藻荇交横，盖竹柏影也。何夜无月，何处无竹柏，但少闲人如吾两人耳。”
• 海南：“吾始至南海，环视天水无际，凄然伤之曰：‘何时得出此岛也？’已而思之：天地在积水中，九洲在大瀛海中，中国在少海中。有生孰不在岛者？譬如注水于地，小草浮其上，一蚁抱草叶求活。已而水干，遇他蚁而泣曰：‘不意尚能相见尔！’小蚁岂知瞬间竟得全哉？”

文学家

首先看直接与诗词 poet* 的关系：

MATCH p=()-[r]->() WHERE type(r) CONTAINS 'poet' RETURN p LIMIT 300

其中有

• 门士：秦少游（秦观），黄庭坚
• 至交诗僧参寥：“记取西湖西畔，正春山好处，空翠烟霏。算诗人相得，如我与君稀。约它年、东还海道，愿谢公雅志莫相违。西州路，不应回首，为我沾衣。”——《八声甘州·寄参寥子》
• 名篇《赤壁怀古》：“大江东去，浪淘尽，千古风流人物。”

然而其中的李师师与苏轼的关系有点令人怀疑，在这本书中并没有提及二人之间的关系，唯一一次出现李师师的地方在于

598: 在苏东坡时代的生活里，酒筵公务之间与歌妓相往还，是官场生活的一部分。.....宋徽宗微服出宫，夜访名妓李师师家。....，可是当日杭州的诗人则为歌女公然写诗。即使是颇负众望的正人君子，为某名妓写诗相赠也是寻常事。在那个时代，不但韩琦、欧阳修曾留下有关妓女的诗，甚至端肃严谨的宰相如范仲淹、司马光诸先贤，也曾写有此类情诗。再甚至精忠爱国的民族英雄岳飞，也曾在一次宴席上写诗赠予歌妓。

但是 LightRAG 给出两人的关系为

苏东坡 interacted with 李师师, acknowledging the role of courtesans in society and expressing admiration for them through poetry.

虽然苏轼确实赠诗给过歌伎李琪——“东坡四年黄州住，何事无言及李琪。却似西川杜工部，海棠虽好不吟诗”，但却不是李师师，这有点张冠李戴之嫌。

接着，我们关注更宽泛的文学 literary* 联系：

MATCH p=()-[r]->() WHERE type(r) CONTAINS 'literary' RETURN p LIMIT 300

其中有

• 文学名篇：“但愿人长久，千里共婵娟”——《水调歌头》；“江流有声，断岸千尺，山高月小，水落石出。”——《后赤壁赋》；《东坡志林》
• 文学论辩：乌台诗案
• 文学继承：李白
• 文学源泉：西湖

需要指出的是《辩奸论》是苏洵所作，但它与苏轼的关系是 literary critique ，

"苏东坡 critiques the harshness of political discourse in his essays, showing the relationship of literary and political commentary."

这对应原文

269:　　老苏写《辩奸论》时，苏东坡说他和弟弟子由都认为责骂得太重。

艺术家

现在我们来看艺术方面的关系：