honeyandme/RAGQnASystem

• hightopics#1

  Add relevant topics to the repository

  原因：

  复制粘贴的修复

  复制

  medical-qa, knowledge-graph, rag, llm, neo4j, bert, nlp, healthcare, artificial-intelligence, python, streamlit

  待办完成忽略
• highreadme#2

  Refine README's opening to emphasize 'complete system' and 'medical' niche

  原因：

  当前

  本项目构建了一个**基于知识图谱 RAG（Retrieval-Augmented Generation）+ 大语言模型**的医疗问答系统：
  - 以 **Neo4j 医疗知识图谱**（4.4 万实体、31 万关系）为外部知识源
  - 结合 **BERT + RNN** 做命名实体识别（NER），F1 达 97.40%
  - 利用 **ollama 本地 LLM** 做意图识别（16 类）与流式答案生成
  - 通过 **Streamlit** 提供完整交互界面
  
  区别于传统向量数据库 RAG，本项目使用**结构化知识图谱**做精确检索，为大模型提供可靠的医疗领域外部知识，有效缓解大模型在医疗场景的幻觉问题。

  复制粘贴的修复

  复制

  This project implements a **complete medical intelligent Q&A system** leveraging **Knowledge Graph RAG (Retrieval-Augmented Generation) and Large Language Models**. Unlike traditional vector database RAG, it uses a **structured Neo4j medical knowledge graph** (44K entities, 310K relations) for precise retrieval, significantly mitigating LLM hallucinations in healthcare scenarios. It integrates **BERT + RNN** for Named Entity Recognition (F1 97.40%), **Ollama local LLMs** for intent recognition and streaming answer generation, and provides a full interactive UI via **Streamlit**.

  待办完成忽略
• mediumlicense#3

  Add a LICENSE file to the repository

  原因：

  复制粘贴的修复

  复制

  Create a `LICENSE` file in the repository root. Choose an appropriate open-source license (e.g., MIT, Apache-2.0, GPL-3.0) and add its text to the file.

  待办完成忽略

本次扫描解析到的品类 GEO 通道：google/gemini-2.5-flash, deepseek/deepseek-v4-flash

• 品类问题

  How to build a reliable medical Q&A system preventing large language model hallucinations?

  你：未被推荐
  AI 推荐顺序：

  1. GCP Healthcare API
  2. Vertex AI
  3. Gemini
  4. Azure Health Data Services
  5. Azure OpenAI Service
  6. GPT-4
  7. Azure AI Search
  8. AWS HealthLake
  9. Amazon Bedrock
  10. Titan models
  11. AI21 Labs
  12. Anthropic
  13. Cohere
  14. Meta
  15. Stability AI
  16. Knowledge Bases for Amazon Bedrock
  17. Hugging Face Transformers
  18. Llama 2
  19. Mistral
  20. BioGPT
  21. LangChain
  22. LlamaIndex
  23. Pinecone
  24. Weaviate
  25. ChromaDB
  26. Med-PaLM 2
  27. OpenAI API
  28. GPT-3.5 Turbo
  29. Azure AI Content Safety
  30. Google Cloud's safety filters

  AI 推荐了 30 个替代方案，却始终没点名 honeyandme/RAGQnASystem。这就是要补上的差距。

  查看 AI 完整回答
• 品类问题

  Seeking a framework for accurate domain-specific question answering using knowledge graphs and LLMs.

  你：未被推荐
  AI 推荐顺序：

  1. LangChain
  2. LlamaIndex
  3. Haystack
  4. GraphRAG
  5. Neo4j
  6. Amazon Kendra

  AI 推荐了 6 个替代方案，却始终没点名 honeyandme/RAGQnASystem。这就是要补上的差距。

  查看 AI 完整回答

• Metadata completeness

  fail

  建议：

• README presence

  pass

• Compared to common alternatives in this category, what is the core differentiator of honeyandme/RAGQnASystem?

  pass
  ✓AI 明确点名了 honeyandme/RAGQnASystem

  AI 的回答可能信誓旦旦却是错的。请按事实核对：技术栈、目标人群、差异化点是不是和你实际的对得上？

• If a team adopts honeyandme/RAGQnASystem in production, what risks or prerequisites should they evaluate first?

  pass
  ✓AI 明确点名了 honeyandme/RAGQnASystem

  AI 的回答可能信誓旦旦却是错的。请按事实核对：技术栈、目标人群、差异化点是不是和你实际的对得上？

• In one sentence, what problem does the repo honeyandme/RAGQnASystem solve, and who is the primary audience?

  pass
  ⚠AI 未点名 honeyandme/RAGQnASystem —— 很可能在说另一个项目

  AI 的回答可能信誓旦旦却是错的。请按事实核对：技术栈、目标人群、差异化点是不是和你实际的对得上？