本文介绍了将知识图谱（KG）接入检索增强生成（RAG）系统的完整流程。首先分析了传统 RAG 在处理全局数据关系时的局限性，阐述了向量嵌入与相似度检索的基本原理。接着详细演示了如何使用 Neo4j 和 LangChain 创建向量索引，并通过过滤条件实现精准查询。随后构建了基于 RAG+KG 的聊天应用，最后探讨了自然语言转 Cypher 的进阶用法及安全风险控制。文章提供了具体的代码示例和最佳实践建议，帮助开发者实现更准确、实时的企业级问答系统。
在构建检索增强生成（RAG）系统时，传统方法往往面临上下文碎片化的问题。将知识图谱（Knowledge Graph, KG）引入 RAG 架构，能够利用图结构的全局数据关系表示能力，显著提升复杂查询的准确性。
传统 RAG 通常基于向量相似度检索 Top-K 个文本块。当文本块过多超出大模型上下文限制，或关键信息分散在不相邻的文本块中时，回答质量会大幅下降。
知识图谱的优势在于其结构化特性：
用户提问：'有多少位于 Germany 的供应商？'
要理解 RAG 与 KG 的结合，首先需要明确向量的基本概念。
在机器学习中，现实世界的对象和概念通常被表示为一组连续数字，称为向量嵌入（Vector Embeddings）。这种方法将物体之间的相似性转换为向量空间中的距离。
通过计算对象向量之间的距离来判断相似性。常用的距离度量包括：
选择合适的距离指标取决于具体任务需求。在 LangChain 与 Neo4j 集成中，通常使用余弦相似度来衡量文本嵌入的接近程度。
本部分演示如何将 Neo4j 图数据库中的数据索引到 RAG 应用中，并实现指定范围的节点检索。
图数据库可能包含大量数据，全量索引不仅消耗资源，还可能涉及数据安全问题。例如，财务部的数据不应被销售部随意查询。因此，支持按节点标签（Node Label）筛选索引至关重要。
确保已安装必要的依赖库（如 langchain, neo4j, openai 等），并激活 Conda 环境：
conda activate medkg
jupyter notebook
打开 .env 文件，确保填写了正确的 API Key 和数据库连接信息：
NEO4J_URI: 数据库地址NEO4J_USERNAME: 用户名NEO4J_PASSWORD: 密码OPENAI_API_KEY: 大模型密钥使用 Neo4jVector.from_existing_graph 方法基于已有图数据库创建向量索引。以下代码展示了如何配置索引参数：
from langchain.vectorstores import Neo4jVector
import os
neo4j_graph_vector_index = Neo4jVector.from_existing_graph(
embedding=OpenAIEmbeddings(), # 使用 OpenAI 模型生成向量
url=os.getenv("NEO4J_URI"), # 获取数据库 URI
username=os.getenv("NEO4J_USERNAME"),
password=os.getenv("NEO4J_PASSWORD"),
index_name="employee", # 索引名称
node_label="Employee", # 指定节点标签
text_node_properties=[ # 需要索引的属性列表
"address", "note", "city",
"postcode", "job_title",
"first_name", "last_name",
"region"
],
embedding_node_property="embedding" # 存储向量的属性名
)
此配置将仅对标记为 Employee 的节点进行向量索引，并将生成的向量存储在 embedding 属性中。
索引完成后，即可发起检索。根据任务目标，可调整查询颗粒度。
最简单的查询方式是直接搜索最相似的节点。
result = neo4j_graph_vector_index.similarity_search("Andrew", k=1)
k=1：返回最相似的 1 个节点。result[0]：获取第一个匹配结果。潜在问题：如果公司中存在同名员工（如一个在美国，一个在英国），单纯依靠相似度可能导致歧义。
为解决多重合数据问题，可以添加过滤条件，锁定更精确的数据范围。
result = neo4j_graph_vector_index.similarity_search(
"Employee details",
filter={ "country": "UK" }
)
filter：只返回 country 属性值为 UK 的节点。掌握索引与查询后，我们可以构建一个完整的问答聊天应用。
为了防止大模型产生幻觉，需明确指示其仅基于提供的上下文回答。
employee_details_chat_template_str = """
你的任务是使用提供的员工数据来回答关于他们的角色、表现和在公司内的经验的问题。
使用以下上下文来回答问题。
请尽可能详细地回答，但不要添加任何上下文之外的信息。
如果你不知道答案，就说你不知道。
{context}
"""
结合检索器和语言模型（LLM）构建链式处理流程。
from langchain.chains import RetrievalQA
qa_chain = RetrievalQA.from_chain_type(
llm=llm_model, # 已定义的 LLM 实例
retriever=neo4j_graph_vector_index.as_retriever(),
chain_type="stuff" # 将所有检索文档堆叠后输入模型
)
链类型说明：
stuff：将所有文档文本合并后一次性输入模型。map_reduce：分别处理每个文档后汇总。refine：先生成初始答案，再逐步细化。用户提问：'介绍一下 Andrew?' 系统会自动检索相关节点，提取上下文，并由 LLM 生成自然语言回答。
索引数据虽然高效，但无法实时更新。若部门有新数据加入 Neo4j，如何通过对话实时访问？
使用 LLM 自动生成 Cypher 语句存在风险（如误删数据）。必须严格分配权限，确保 LLM 只能执行读取操作，禁止写入或删除权限。
通过提供少量示例（Few-Shot），指导 LLM 正确生成 Cypher 查询。
qa_generation_template_str = """
您是一名助手，负责将 Neo4j Cypher 查询的结果转化为易于人类阅读的响应。
查询结果部分包含了基于用户自然语言问题生成的 Cypher 查询结果。
所提供的信息是权威的；您绝不能质疑它，或者使用您的内部知识去更改它。
确保您的回答听起来像是针对问题的回应。
Query Results:
{context}
Question:
{question}
如果提供的信息为空，请通过声明您不知道答案来回应。
空信息由以下方式表示：[]
如果信息不为空，您必须使用结果来提供答案。
当查询结果中提供名称时，例如医院名称，要小心任何包含逗号或其他标点符号的名称。
绝不要在查询结果中有数据的情况下表示你缺乏足够的信息。
Helpful Answer:
"""
使用 GraphCypherQAChain 实现 NL2Cypher 功能。
from langchain.graphs import Neo4jGraph
from langchain.chains import GraphCypherQAChain
graph = Neo4jGraph()
cypher_qa_chain = GraphCypherQAChain.from_llm(
graph=graph,
verbose=True,
validate_cypher=True, # 验证生成的 Cypher 有效性
qa_prompt=qa_generation_prompt,
cypher_prompt=cypher_generation_prompt,
qa_llm=ChatOpenAI(model="gpt-3.5-turbo", temperature=0),
cypher_llm=ChatOpenAI(model="gpt-3.5-turbo", temperature=0)
)
validate_cypher=True：防止语法错误的查询被执行。temperature=0：降低随机性，确保查询逻辑稳定。将知识图谱融入 RAG 系统，能够有效解决传统检索的碎片化问题，实现全局数据关系的精准表达。
关键要点：
通过上述步骤，开发者可以构建出既具备语义理解能力，又拥有精确事实推理能力的智能问答系统。
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
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
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online