高效解决Neo4j数据库运行时连接失败:实用指南

我最近在学GraphRAG,问AI,他叫我先学习neo4j这个图数据库,结果出师未捷身先死,昨晚报错了一整晚,一直显示连接失败,

要不就是:“neo4j.exceptions.ServiceUnavailable: Unable to retrieve routing information”,

要不然就是:“raise ServiceUnavailable( neo4j.exceptions.ServiceUnavailable: Couldn't connect to localhost:7687 (resolved to ('127.0.0.1:7687', '127.0.1.1:7687')): Failed to establish connection to ResolvedIPv4Address(('127.0.0.1', 7687)) (reason [Errno 111] Connection refused) Failed to establish connection to ResolvedIPv4Address(('127.0.1.1', 7687)) (reason [Errno 111] Connection refused)”,

然后去问AI,把deepseek,qwen,chatgpt问了个遍,都试了一遍还是不行,结果今天再试了一次,成功了。

对于neo4j连接问题有两种解决方法(以下方法针对的都是wsl Ubuntu,输出指令):

方法一:

在windows powershell(win+R键然后输入powershell),然后在powershell上输入指令:

ipconfig 

等到powershell输出,找到无线局域网适配器 WLAN,将IPv4地址复制,如下图:

然后在wsl2上测试

nc -zv 192.168.1.105 7687 # 该ipv4地址为AI生成

我这边就连接成功了,会看到类似以下的指令:

Connection to 192.168.1.105 7687 port [tcp/*] succeeded!

接下来最后一步,就是将项目python脚本中的URI改成类似于以下的网址:

uri = "bolt://192.168.1.105:7687"

不出意外的话,没啥问题了,运行python脚本连得上数据库了,可以依靠neo4j desktop了,不用像我之前那样一直靠终端运行neo4j start,结果还是伪neo4j,实在把我恶心坏了。

附上部分python脚本运行成功截图(输出的是我的日志还有节点属性):

方法二:

用docker 拉取镜像,我今天(2/3)早上试了一下运行我的python脚本,发现这个neo4j start启动跟没启动没啥区别,之前下载的neo4j 只是一个脚本文件,不是完整的,问AI,改成了docker拉取镜像,指令如下:

docker run \ -d \ --name neo4j \ -p 7474:7474 -p 7687:7687 \ -e NEO4J_AUTH=neo4j/your-password \ neo4j:5.21.0

这个方法也是可以成功的,运行python脚本可以对数据库进行修改,只不过进入neo4j browser时,获得的网页是旧版的


在末尾补充一下:

neo4j指令,像是neo4j start,这种不是通过pip install neo4j配置的,而是要通过

sudo apt install -y neo4j      来配置neo4j指令;

项目中import的neo4j方法库与终端指令中使用的neo4j指令根本不是一个东西。


之前版本中的解决方法解决不了问题,对各位造成的时间损失万分抱歉,望海涵

Read more

91n边缘计算设备部署轻量TensorFlow模型全流程

91n边缘计算设备部署轻量TensorFlow模型全流程 在工厂车间的流水线上,一台不起眼的小型嵌入式设备正实时分析摄像头传来的图像——它没有连接云端,也不依赖高性能GPU,却能在200毫秒内判断出产品表面是否存在划痕,并立即触发报警。这背后的核心技术,正是基于“91n”类边缘计算设备与轻量化TensorFlow模型的深度融合。 这类设备算力有限、内存紧张,却承担着工业智能化转型中最关键的一环:让AI真正落地到生产现场。而要实现这一目标,不仅需要合适的硬件平台,更离不开一套高效、稳定、可规模化的软件部署方案。TensorFlow Lite 正是在这样的需求背景下脱颖而出,成为当前工业级边缘AI应用的主流选择。 TensorFlow Lite 的工程实践价值 为什么是 TensorFlow Lite?这个问题的答案,藏在每一次模型转换、每一行推理代码和每一个实际部署案例中。 作为 TensorFlow 针对移动端和嵌入式场景优化的轻量版本,TFLite 并非简单地“裁剪”功能,而是从底层重新设计了推理引擎。它的核心逻辑可以概括为三个阶段:模型转换 → 解释器加载 → 本地推理

【neo4j】安装使用教程

【neo4j】安装使用教程

一、安装 1.0 前置条件 安装配置好jdk17及以上 注意我使用的是neo4j 5.26.10版本,匹配java17刚好 Java Archive Downloads - Java SE 17.0.12 and earlier 无脑安装即可 配置以下环境变量 1.1 安装程序 Neo4j Deployment Center - Graph Database & Analytics 下载解压即可,Windows是绿色版本 1.2 配置环境 添加neo4j的地址 二、基本使用 2.1 开启、关闭和查看运行状态 进入安装目录的bin文件夹,cmd窗口输入 ./neo4j.

AI魔术师:基于视觉的增强现实特效

AI魔术师:基于视觉的增强现实特效

AI魔术师:基于视觉的增强现实特效 * 一、前言 * 二、AR 与视觉 AI 的技术基石 * 2.1 增强现实的核心概念 * 2.2 计算机视觉与 AI 的技术融合 * 2.3 技术栈选型与环境搭建 * 三、视觉 AR 的核心技术解析 * 3.1 相机标定与坐标系统 * 3.1.1 相机标定原理 * 3.1.2 标定代码实现 * 3.2 实时特征跟踪技术 * 3.2.1 ORB 特征跟踪原理 * 3.2.2 单目视觉里程计实现 * 3.3 语义分割与虚实融合

吃透 AM32 无人机电调:从源码架构到工作原理的全方位解析(附实践指南)(上)

开篇:为什么要深度剖析 AM32 电调? 作为多旋翼无人机的 “动力心脏”,电调(电子调速器)的性能直接决定了无人机的飞行稳定性、响应速度和续航能力。而 AM32 系列电调凭借开源性、高性价比、适配性强三大优势,成为了开源无人机社区的热门选择 —— 从入门级的 2204 电机到专业级的 2306 电机,从 3S 锂电池到 6S 高压电池,AM32 都能稳定驱动。 但很多开发者和爱好者在接触 AM32 源码时,常会陷入 “看得懂代码,看不懂逻辑” 的困境:为什么 FOC 算法要做坐标变换?DShot 协议的脉冲怎么解析?保护机制是如何实时触发的? 这篇博客将从硬件基础→源码架构→模块解析→工作原理→实践操作五个维度,逐行拆解 AM32 电调固件源码,帮你彻底搞懂