本文将带您从零开始，用不到 50 行核心代码实现基于本地大模型 Llama 3.1 的 GraphRAG 应用开发。我们将整合 LangChain 工作流、Ollama 模型管理工具与 Neo4j 图数据库，构建一套支持实体关系挖掘与混合检索的增强生成系统，全程无需依赖云端 API，兼顾数据安全与开发效率。
一、先搞懂核心概念：什么是 GraphRAG？
传统 RAG（检索增强生成）依赖向量数据库的语义相似度匹配，容易丢失实体间的关联信息。而 GraphRAG（图检索增强生成） 则通过'节点 - 关系'的图结构建模数据，将分散的文本块转化为结构化知识网络，让 LLM 能基于实体关联进行推理，输出更具逻辑性的答案。
其核心价值在于：
- 结构化上下文：将'蒂姆·库克''苹果公司'等实体抽象为节点，用'担任 CEO'明确关系，形成可解释的知识图谱
- 关联推理能力：支持跨文档挖掘间接关系，例如通过'库克 - 领导 - 苹果 - 收购 - 特斯拉'的链路回答企业合作问题
混合检索优势：结合图数据库的实体关联查询与向量数据库的语义搜索，平衡精确性与泛化性
如上图所示，GraphRAG 的典型架构包含三大环节：首先通过知识图谱捕获向量块间的关联关系，为向量检索结果补充结构化实体信息；接着将融合后的上下文输入 LLM 进行处理；最终生成兼顾事实准确性与逻辑连贯性的响应。该架构在客户服务（故障排查链路）、语义搜索（学术关系挖掘）、个性化推荐（用户兴趣图谱）等场景中表现尤为突出。
二、环境搭建与代码实现
在本文中，我们将结合使用 LangChain、Llama 和 Ollama，以及 Neo4j 作为图数据库。我们将创建一个关于一个拥有多家餐厅的大型意大利家庭的信息图，所以这里有很多关系需要建模。
先利用 Ollama 拉取 llama3.1 8b 模型：
打开代码文件，来到 VS Code 中，你可以在左边看到我们将使用的多个文件。
配置运行 Neo4j 数据库
在进入代码之前，我们将设置 Neo4j。我为你创建了一个 Docker Compose 文件。所以我们将使用 neo4j 文件夹，里面有一个 jar 文件，这是我们创建图所需的插件。
要创建我们的数据库，只需运行 docker compose up：
这将设置所有内容，并且可以直接使用。可能需要几秒钟，之后你会看到数据库正在运行。
