Star Trek GraphRAG：构建知识图谱驱动的角色对话系统与AI剧集创作

一个基于GraphRAG技术的《星际迷航：下一代》知识图谱项目，将176集、7万多句台词、2143个角色数据整合到Neo4j图数据库中，实现本地零成本的角色聊天机器人和AI剧集创作功能。

• 原作者/维护者： Eric90403
• 来源平台： GitHub
• 原始标题： star-trek-graph
• 原始链接： https://github.com/Eric90403/star-trek-graph
• 发布时间： 2026年6月

---

在生成式AI时代，大型语言模型面临一个核心挑战：如何在保持对话连贯性的同时避免幻觉（hallucination）？传统的RAG（检索增强生成）方法通常将大量文本直接塞入上下文窗口，但这既昂贵又低效。

本项目采用了一种更优雅的解决方案——GraphRAG（图检索增强生成）。开发者将《星际迷航：下一代》（TNG）的全部176集内容——包含70,544句台词、2,143个角色——构建成一个完整的知识图谱，存储在Neo4j图数据库中。这种方法不仅实现了零成本的本地嵌入，还创造了一种全新的角色交互体验。

---

项目由三个主要模块组成，形成了一个完整的生成式AI应用栈：

1. 知识图谱构建（Knowledge Graph）

所有TNG剧集数据被加载到Neo4j中，构建了包含剧集、场景、台词、角色、地点、飞船等实体的完整关系网络。这种图结构允许进行复杂的关联查询，例如"找出与Data同框次数最多的角色"或"Worf和Gowron共同出现的剧集"。

2. 角色聊天机器人（Character Chatbots）

用户可以与Picard、Worf、Data等任意角色对话。系统的关键在于：LLM的回答严格基于正典台词，不会编造角色背景故事。如果询问的内容不在图谱中，角色会诚实表示没有相关记录。

3. AI剧集创作（Episode Writer）

多智能体写作室功能，让多个角色智能体协作创作符合正典风格的新剧集。

传统RAG方法会将50万+个词元的台词全部送入上下文窗口，而GraphRAG采用了一种更聪明的策略：

用户问题
    │
    ▼
使用nomic-embed-text-v1.5进行本地嵌入（零成本）
    │
    ├──► Qdrant（语义检索）    Neo4j（结构上下文）
    │    "与查询相似的台词"      "剧集+关系上下文"
    │         │                      │
    └─────────┴──────────────────────┘
                    │
                    ▼
            约3,500词元的上下文块
                    │
                    ▼
            Claude Opus → 角色回复

这种设计将每次对话的上下文从50万+词元压缩到约3,500词元，大幅降低了API调用成本，同时保持了回答的准确性和相关性。

---

项目提供了完整的数据处理管道：

1. 脚本获取：从st-minutiae.com获取原始剧本
2. 解析加载：使用scripts/ingest_tng.py将数据导入Neo4j（首次运行约10分钟）
3. 向量嵌入：使用src/embedder.py构建Qdrant向量索引（首次运行约7分钟，纯CPU）

项目提供了丰富的Cypher查询示例，展示了图数据库的强大能力：

查找角色台词数量排名：

MATCH (l:Line)-[:SPOKEN_BY]->(c:Character)
RETURN c.canonical_name AS character, count(l) AS lines
ORDER BY lines DESC LIMIT 20

查找共同出现的角色：

MATCH (w:Character {canonical_name: "WORF"})-[:APPEARS_IN]->(e:Episode)
MATCH (g:Character {canonical_name: "GOWRON"})-[:APPEARS_IN]->(e)
RETURN e.title, e.stardate ORDER BY e.stardate

搜索特定主题的台词：

MATCH (l:Line)-[:SPOKEN_BY]->(c:Character {canonical_name: "PICARD"})
WHERE toLower(l.text) CONTAINS "duty"
RETURN l.text LIMIT 25

---

项目提供了简洁的命令行界面：

# 与Picard对话（默认）
./trek

# 与Worf对话，检索60条相关台词
./trek --character WORF --top-k 60

# 与Data对话
./trek --character DATA