构建知识图谱的核心工具：LangChain LLM Graph Transformer
• 将非结构化文本高效转化为结构化知识图谱，实体与关系一目了然，支持复杂多跳推理和检索增强生成（RAG）应用。
• 双模式支持：默认工具模式利用LLM结构化输出或函数调用，精准提取节点、关系及属性；备选提示模式通过few-shot提示实现兼容无工具支持模型，确保广泛适用。
• 灵活定义图谱Schema，支持节点类别、关系类型及属性的细粒度设定，显著提升提取一致性与准确性，减少不同运行间的输出波动。
• 严格模式（strict_mode）自动过滤不符合Schema的冗余信息，保证图谱清晰规范，便于后续分析与应用。
• 兼容Neo4j图数据库，支持云端Neo4j Aura或本地部署，便捷导入图谱数据，且可附带源文档实现结构化与非结构化检索融合。
• 采用异步处理，多文档并行提取，大幅提升效率，适合大规模知识图谱构建。
• 目前属性抽取仅限工具模式，属性均以字符串形式存在，属性定义为全局统一，未来可期待更细化定制。
通过结构化图谱表达复杂实体关系，极大增强数据的可查询性与推理能力，突破传统文本检索瓶颈，推动知识驱动型智能应用迈向新高度。
• 将非结构化文本高效转化为结构化知识图谱，实体与关系一目了然，支持复杂多跳推理和检索增强生成（RAG）应用。
• 双模式支持：默认工具模式利用LLM结构化输出或函数调用，精准提取节点、关系及属性；备选提示模式通过few-shot提示实现兼容无工具支持模型，确保广泛适用。
• 灵活定义图谱Schema，支持节点类别、关系类型及属性的细粒度设定，显著提升提取一致性与准确性，减少不同运行间的输出波动。
• 严格模式（strict_mode）自动过滤不符合Schema的冗余信息，保证图谱清晰规范，便于后续分析与应用。
• 兼容Neo4j图数据库，支持云端Neo4j Aura或本地部署，便捷导入图谱数据，且可附带源文档实现结构化与非结构化检索融合。
• 采用异步处理，多文档并行提取，大幅提升效率，适合大规模知识图谱构建。
• 目前属性抽取仅限工具模式，属性均以字符串形式存在，属性定义为全局统一，未来可期待更细化定制。
通过结构化图谱表达复杂实体关系，极大增强数据的可查询性与推理能力，突破传统文本检索瓶颈，推动知识驱动型智能应用迈向新高度。