KAG 工程闭环实现方案，利用大模型从小说文本抽取知识图谱并导入 Neo4j。流程涵盖实体关系抽取、图数据库入库、Schema 探测、Cypher 生成与预检修复、以及基于 Recall@5 的召回评测。通过 JUnit 测试类组织代码，解决 RAG 在典故情节类问题上的召回不稳定痛点，结合结构化图谱定位章回证据，最终实现图谱问答。关键经验包括必须提供真实 Schema 给 LLM 生成 Cypher，以及执行 EXPLAIN 预检自动修复语法错误。该方案可作为 GraphRAG 或 KGQA 项目的最小可落地 MVP。
相关文章已移除
本文提供一套可直接运行的 KAG（Knowledge-Augmented Generation）工程闭环：用大模型从小说文本中抽取知识图谱 JSON 一键导入 Neo4j，用评测集做 Recall@5 召回评测（LLM 参与生成 Cypher + 判定命中），最后把同一套链路用于 KAG 图谱问答（LLM 生成 Cypher → 查图 → 再让 LLM 组织答案）。
本方案可作为 GraphRAG / KGQA / KAG 的最小可落地 MVP。
做 RAG 时，我踩过一个典型坑：
而知识图谱擅长的恰好是：
所以我最终选择：
这套闭环全部以 JUnit 测试类的形式提供，方便你在工程里反复迭代。
数据结构：
做的事：
核心写入逻辑：
(n)-[:APPEARS_IN]->(c:Chapter)
APPEARS_IN 的含义：实体/事件出现在某章回。这个关系非常关键，它把'结构化实体世界'挂回到'可以回答问题的章回证据'。
LLM 要生成靠谱的 Cypher，必须知道你图谱里：
所以我用 CALL db.labels() / CALL db.relationshipTypes() 做了 schema 探测。
核心：把'问题→图谱查询→命中判定'做成评测流程。
链路：
这是'评测链路'的应用版：
这一步的意义：评测不是终点，你最终要的是'线上问答可用'。所以必须把评测链路的关键能力（schema+Cypher 生成 + 预检/修复）迁移到问答链路里。
默认连接：
当前测试类默认使用：
注意：
按这个顺序跑，最稳：
很多人 Cypher 生成失败，根本原因是：
所以 schema introspection 是必做项。
LLM 写 Cypher 很容易出现：
解决方法：
这就是为什么 SanguoKgRecallEvalTest 的链路可复用到 KagGraphLLMQATest。
doc/eval/sanguo-kg-eval.json 的问题基本都是'章回定位'类：
这种任务对 KAG 很友好：
评测指标：
它能直接反映：
本文的闭环是 KAG MVP，但已经为复杂问答铺好路：
你后面可以继续扩展：
要求：关系 type 用中文短语；实体尽量原文；输出 JSON。
要求：
输入：query + answers + topK 输出：{hit, reason}
很多 KAG 文章停留在概念图，但真正工程上，最难的是：
本文这套 JUnit 流程解决的恰恰是这些'落地问题'。
如果你也在做：
这套闭环可以直接作为你的工程起点。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
查找任何按下的键的javascript键代码、代码、位置和修饰符。 在线工具，Keycode 信息在线工具，online
JavaScript 字符串转义/反转义；Java 风格 \uXXXX（Native2Ascii）编码与解码。 在线工具，Escape 与 Native 编解码在线工具，online
使用 Prettier 在浏览器内格式化 JavaScript 或 HTML 片段。 在线工具，JavaScript / HTML 格式化在线工具，online
Terser 压缩、变量名混淆，或 javascript-obfuscator 高强度混淆（体积会增大）。 在线工具，JavaScript 压缩与混淆在线工具，online
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online