传记分析完整指南：4 条命令用 Hyper-Extract 生成人物生平时序图谱与关系网络

传记分析完整指南：4 条命令用 Hyper-Extract 生成人物生平时序图谱与关系网络

【免费下载链接】Hyper-ExtractHypergraph is more powerful. Transform unstructured text into structured knowledge with LLMs. Graphs, hypergraphs, and spatio-temporal extractions — with one command.项目地址: https://gitcode.com/GitHub_Trending/hy/Hyper-Extract

Hyper-Extract是一个基于 LLM 的智能知识提取 CLI 工具，核心能力是将非结构化文本转化为结构化知识。本篇聚焦传记分析实战：用它内置的general/biography_graph模板，把一篇人物传记变成带时间线的时序图谱（Temporal Graph）——每条关系都标注发生时间，人物、地点、作品、事件组成一张可搜索、可对话、可可视化的关系网络。全程只需 4 条命令，新手也能 5 分钟跑通。

为什么传记分析要用"时序图谱"

普通关系图谱只回答"谁和谁有关"，而传记最核心的是"何时发生"：1057 年中举、1079 年乌台诗案、1080 年贬谪黄州——这些时间点本身就是知识。

Hyper-Extract 的时序图谱把时间作为关系的属性来提取：相对时间（如"二十岁时"）会自动换算成绝对年份，模糊时间则保留原文、绝不臆造。它的底层实现位于 hyperextract/types/temporal_graph.py，模板中通过time_field声明哪个字段承载时间。

项目共有 9 种知识结构，从简单列表到时序图谱、时空图谱一应俱全：

快速上手：30 秒安装与配置

1️⃣ 安装

uv tool install hyperextract # 或 pipx install hyperextract

2️⃣ 配置模型（任选其一）

# OpenAI：一个 key 同时提供 LLM 和 embedding he config init -p openai -k YOUR_OPENAI_API_KEY # DeepSeek 仅 LLM，最经济，需搭配 OpenAI 的 embedder he config llm -p deepseek -k YOUR_DEEPSEEK_API_KEY he config embedder -p openai -k YOUR_OPENAI_API_KEY

💡 本地部署可选 vLLM，数据不出本机，详见 README 中文版。

实战：一条命令提取苏轼传记

项目自带了一份示例传记 examples/zh/sushi.md，覆盖苏轼生平 64 年、12 个关键节点，非常适合做传记分析练手。

执行提取：

he parse examples/zh/sushi.md -t general/biography_graph -o ./output/ -l zh

这一条命令背后，LLM 按模板的抽取规则完成三件事：

• 实体识别：主人公苏轼 + 家人（苏洵、苏辙、程氏）、师友（欧阳修、佛印）、地点（黄州、儋州）、作品（《定风波》《前赤壁赋》）等
• 关系抽取：仅在文本明确表达时创建关系（父亲、师承、创作、贬谪地……），不脑补常识性关联
• 时间归一：1057年科举中举、1080年躬耕东坡……时间挂到关系上而非实体上

模板定义见 hyperextract/templates/presets/general/biography_graph.yaml，其中guideline部分就是给 LLM 的"传记分析师"工作规范。命令细节可查 he parse 文档。

可视化关系网络：一张图看懂人物生平

提取完成后，打开交互式可视化：

he show ./output/

图中左侧面板显示统计信息：37 个节点、48 条边，平均节点度 2.6。点击任意节点（如"苏轼"），下方 DETAILS 区会展示实体类型与描述；边上的标签则写明关系类型——父亲、创作、贬谪地、任职地……

对人物生平脉络做传记分析时，这种"以人物为中心的辐射网络"比线性时间轴更能体现关系密度：谁是他人生转折的关键推手，哪个地点承载了哪段创作，一眼可见。

查询与对话：给知识库"提问"

构建搜索索引后（he parse已默认构建），你可以用两种方式挖掘知识：

① 语义搜索——即使关键词不匹配也能命中：

he search ./output/ "苏轼被贬谪期间创作了哪些著名作品？"

② 自然语言对话——检索上下文 + LLM 综合生成带来源的答案：

he talk ./output/ -q "苏轼的家庭关系和师友有哪些？"

项目提供了现成的提问清单 examples/zh/sushi_question.md，三条问题正好覆盖人物传记分析的三个经典视角：家庭师友关系、仕途与创作的关系、贬谪期间的作品。更多用法见 he search 文档 与 he talk 文档。

进阶：增量更新与多文档溯源

传记材料往往不止一份——《宋史》本传、年谱、后人评传都可以陆续喂入：

# 带来源标注地补充新文档 he feed ./output/ new-sushi-material.md --source new-material # 审计：哪些文档贡献了哪些知识 he info ./output/ --sources # 文档过时了？按来源整体回滚 he remove ./output/ --document new-material

每个来源自动标注、索引增量更新，旧文档撤销后它贡献的事实随之回滚——这让多源传记分析变得可审计、可维护。

小结：4 条命令的传记分析工作流

整条流水线由 CLI、模板层（80+ 预设模板）与方法层（GraphRAG、KG-Gen 等 11+ 提取引擎）三层构成，架构全景如下：

一句话总结：传记分析不必再手工整理年表——把传记文本丢给 Hyper-Extract，人物生平时序图谱与关系网络自动生成，还附带可搜索、可对话的知识底座。试试把任何一篇名人传记喂进去，你会发现"时间 × 关系"的组合远比文字叙述更直观。

【免费下载链接】Hyper-ExtractHypergraph is more powerful. Transform unstructured text into structured knowledge with LLMs. Graphs, hypergraphs, and spatio-temporal extractions — with one command.项目地址: https://gitcode.com/GitHub_Trending/hy/Hyper-Extract