首页

Transform documents into structured knowledge with one command.

"告别文档焦虑，让信息一目了然"

Hyper-Extract 是一个智能的、由 LLM（大型语言模型）驱动的知识提取框架。它将非结构化文本转换为持久的、可预测的、强类型的知识结构——从简单的列表到复杂的知识图谱、超图谱和时空图谱。

⚡ 5分钟快速入门¶

CLI (终端)Python

# 1. 安装 CLI 工具
uv tool install hyperextract

# 2. 配置 API 密钥
he config init -k YOUR_OPENAI_API_KEY

# 3. 从文档中提取知识
he parse sushi.md -t general/biography_graph -o ./output/ -l zh

# 4. 可视化知识图谱
he show ./output/

from hyperextract import Template

# 1. 创建模板
ka = Template.create("general/biography_graph", "zh")

# 2. 提取知识
with open("sushi.md") as f:
    result = ka.parse(f.read())

# 3. 可视化
ka.show(result)

→ 想要深入了解？ 查看入门指南或直接跳转至 CLI / Python SDK 文档。

✨ Hyper-Extract 的独特之处¶

8 种自动类型

从简单的 AutoList/AutoModel 到高级的 AutoGraph、AutoHypergraph 和 AutoSpatioTemporalGraph。为您的数据选择正确的结构。
10+ 种提取引擎

内置支持 GraphRAG、LightRAG、Hyper-RAG、KG-Gen、iText2KG 等。选择最适合您用例的方法。
80+ 个领域模板

开箱即用的金融、法律、医疗、中医和工业模板。无需配置即可使用。
增量演进

向知识库持续添加新文档。无需重新处理所有内容。

🎯 选择您的路径¶

CLI 用户

直接从终端处理文档。非常适合：
- 快速知识提取
- 批量文档处理
- 无需编码构建知识库
CLI 指南
Python 开发者

集成到您的 Python 应用程序中。非常适合：
- 自定义提取管道
- 与现有工作流程集成
- 构建 AI 驱动的应用程序
Python SDK
想了解更多？

了解核心概念和架构：
- 自动类型如何工作
- 选择提取方法
- 创建自定义模板
核心概念

🧩 8 种自动类型一览¶

类型	用例	示例输出
AutoModel	结构化摘要	带有特定字段的 Pydantic 模型
AutoList	项目集合	实体或事实的列表
AutoSet	去重集合	唯一项目的集合
AutoGraph	实体关系网络	带节点和边的知识图谱
AutoHypergraph	多实体关系	连接多个节点的超级边
AutoTemporalGraph	时间关系	带时间信息的图谱
AutoSpatialGraph	位置关系	带地理数据的图谱
AutoSpatioTemporalGraph	时间 + 空间组合	完整的上下文信息

→ 了解如何选择自动类型

🏗️ 架构概述¶

Hyper-Extract 采用三层架构：

graph TD
    A[您的文档] --> B[CLI / Python API]
    B --> C[模板]
    B --> D[方法]
    C --> E[自动类型]
    D --> E
    E --> F[结构化知识]

    subgraph "Layer 3: 模板与方法"
        C
        D
    end

    subgraph "Layer 2: 核心引擎"
        E
    end

    subgraph "Layer 1: 输出"
        F
    end

自动类型 — 定义输出数据结构（8种类型）
方法 — 提供提取算法（基于 RAG 和典型方法）
模板 — 提供特定领域的开箱即用配置

您可以在任意层级使用 Hyper-Extract：选择模板快速获得结果，选择方法获得更多控制，或直接使用自动类型进行完全定制。

📊 与其他工具对比¶

功能	GraphRAG	LightRAG	KG-Gen	Hyper-Extract
知识图谱	✅	✅	✅	✅
时间图谱	✅	❌	❌	✅
空间图谱	❌	❌	❌	✅
超图谱	❌	❌	❌	✅
领域模板	❌	❌	❌	✅
CLI 工具	✅	❌	❌	✅
多语言	✅	❌	❌	✅

📚 文档结构¶

入门指南 — 安装和首次提取
CLI 指南 — 完整的终端工作流程文档
Python SDK — API 参考和开发者指南
核心概念 — 了解架构
模板库 — 特定领域的提取模板
资源 — 常见问题、故障排除和贡献指南

🤝 贡献¶

欢迎贡献！无论是错误报告、功能请求还是文档改进，请随时提交 Issue 或 Pull Request。

GitHub 仓库

📄 许可证¶

Hyper-Extract 采用 Apache-2.0 许可证。