neo4j desktop2 安装与使用

1. Neo4j Desktop 2 简介

1.1 Neo4j Desktop 2 的核心功能与优势

Neo4j Desktop 2 是 Neo4j 官方推出的图形化数据库管理工具,专为开发者和数据科学家设计。

其主要优势包括:

一体化开发环境:集成了数据库实例管理、查询编辑、数据可视化和扩展管理

本地开发友好:支持在本地机器上快速创建和测试图数据库实例

多版本管理:可同时管理多个 Neo4j 数据库版本

插件生态系统:内置插件市场,轻松安装常用扩展 

项目管理:以项目为单位组织数据库、查询和配置  

1.2 适用场景

图数据库开发:为应用程序开发提供本地图数据库环境

本地测试:在部署到生产环境前进行数据模型测试和查询验证

项目管理:管理多个图数据库项目,保持环境隔离

教育与学习:学习 Cypher 查询语言和图数据库概念

2.安装neo4j desktop2

需要装JAVA (注意桌面版和社区版对Java都有要求)

桌面版版本不能过低,建议SE14以上,不需要配置环境和路径;社区版版本不能太高,SE15

下,需要自己手动配置环境和路径。可以去java官网下载历史版本

历史版本下载需要官网注册,注册成功后,可以免费下载。

方法一与方法二下载的结果安装包一样,但是方法一只能下载最新版2.0.5

方法一、通过https://neo4j.com/download下载或者使用网页版

点击桌面版下载

跳转到以下页面

填写信息就会自动下载安装包

方法二、通过https://neo4j.com/下载

点击后跳转到以下页面

往下划找到以下页面即可,可以按自己的需求安装在相应的操作系统。可以下载最新版本2.0.5,也可以下载旧版本1.6,网络上1.6版本教程较多,使用方法也比较简单,本人下载的是2.0.5,网络上教程有点少,所以在使用时也有踩一些坑,比例说不知道怎么创建项目,不知道如何运行项目创建知识图谱,不知道用户名是Instance name还是database user。

3.创建并管理本地图数据库

3.1新建数据库实例:

点击创建一个项目

填写项目名称与密码后点击创建,这里可以看到dstabase user默认为neo4j。

3.2启动与停止数据库:

这里可以看到项目默认为关闭的(STOPPED),点击①标注的即可运行。

此时会弹出一个弹窗,关闭弹窗项目就会结束运行,需要启动时可以先隐藏。

此时可以点开database中查看数据库,默认只有neo4j一个,可以点击create database创建多个知识图谱。然后点击connect可以查看query和explore。

4.构造知识图谱的方法

4.1在查询编辑器中输入代码

4.1.1基础操作

(1)创建节点
// 创建人物节点
CREATE (p:Person {name: 'Alice', age: 30, occupation: 'Engineer'})

// 创建多个节点
CREATE 
  (p1:Person {name: 'Bob', age: 25}),
  (p2:Person {name: 'Charlie', age: 35}),
  (c:Company {name: 'Tech Corp', industry: 'Technology'})
(2)创建关系
// 先匹配节点,然后创建关系
MATCH 
  (a:Person {name: 'Alice'}),
  (b:Person {name: 'Bob'})
CREATE (a)-[:FRIENDS_WITH {since: '2023-01-01'}]->(b)

// 创建节点和关系同时进行
CREATE 
  (alice:Person {name: 'Alice'})-[:WORKS_AT {position: 'Developer'}]->(company:Company {name: 'Neo4j Inc'})
(3)添加/更新属性
// 添加属性
MATCH (p:Person {name: 'Alice'})
SET p.email = '[email protected]'

// 更新多个属性
MATCH (p:Person {name: 'Bob'})
SET p.age = 26, p.department = 'Engineering'

// 添加标签
MATCH (p:Person {name: 'Charlie'})
SET p:Employee:Manager

4.1.2查询操作

(1)MATCH 基础查询
// 查询所有人物
MATCH (p:Person) 
RETURN p

// 查询特定属性
MATCH (p:Person) 
WHERE p.age > 25 
RETURN p.name, p.age

// 查询关系和路径
MATCH (p1:Person)-[r:FRIENDS_WITH]->(p2:Person)
RETURN p1.name, p2.name, r.since
(2)复杂查询示例
// 查找朋友的朋友
MATCH (p:Person {name: 'Alice'})-[:FRIENDS_WITH*2]->(friendOfFriend)
RETURN friendOfFriend.name

// 聚合查询
MATCH (p:Person)
RETURN p.occupation, COUNT(*) as count, AVG(p.age) as avgAge

// 路径查询
MATCH path = (start:Person)-[:FRIENDS_WITH|WORKS_AT*1..3]->(end)
WHERE start.name = 'Alice'
RETURN path

4.2通过import导入csv等文件导入节点

4.3使用python代码

使用代码连接neo4j

踩坑点:

“neo4j://127.0.0.1:7687”是项目上的url,auth=("neo4j","密码")这是用户名database user与创建项目时设置的密码。

4.4在网站上输入http://localhost:7474,可以连接neo4j网页版,输入密码即可。

如果习惯使用旧版本,点击红色即可使用旧版本的neo4j。

以下为旧版本页面

然后通过右键可以使用expand查看相关节点。

Read more

Web3区块链软件开发全栈解决方案:达普韦伯(Dappweb)2026年实战经验分享

2026年,Web3赛道已从“概念炒作”转向“生产力落地”。香港作为全球RWA与虚拟资产枢纽,SFC监管框架全面收紧,稳定币条例、储备审计、链上合规要求越来越高。与此同时,内地团队出海面临的最大挑战仍是:如何用全栈技术栈安全、合规、高效地把项目从0到1推到主网。 我最近深度接触了达普韦伯(Dappweb,官网dappweb.cn),这家香港+西安双基地的Web3技术服务商。他们专注区块链、AI与可信数据融合,已服务超200家国内外客户,涵盖公链定制、数字资产交易所、DApp全栈开发、RWA代币化等。以下基于他们的2026年实战案例,分享一套真正能落地的全栈解决方案思路。 1. 2026年Web3开发的核心痛点:为什么“全栈”成了刚需? * 碎片化工具链:前端React/Vue + 后端Node + Solidity合约 + 多链桥 + 钱包集成 + 监控……拼凑起来容易出bug,维护成本高。 * 安全与合规双杀:合约漏洞年损失数十亿,香港SFC要求储备披露、反洗钱追踪,内地团队一碰“

2026年 , 最新的机器人系统架构介绍 (1)

文章目录 * 第一部分:机器人的完整系统架构(由底向上) * 第二部分:最有前景、最具迁移性的核心是什么? * 第三部分:学习与技术路线图 * 标题数据驱动的机器人操作与决策算法 * 工业级机器人系统架构 * 第一部分:生动形象的工业级机器人系统架构 * 第二部分:热门公司技术路线全解析与优劣势对比 * **1. 宇树科技 (Unitree) —— 运动性能的极致派** * **2. 智平方 (AI² Robotics) —— 全栈VLA的实战派** * **3. 银河通用 (Galbot) —— 仿真数据驱动的垂直深耕派** * **4. 逐际动力 (LimX Dynamics) —— OS系统整合派** * **5. 优必选 (UBTECH) —— 全栈技术的老牌劲旅** * 第三部分:总结与你的切入路线图 第一部分:机器人的完整系统架构(由底向上) 我们可以把一个智能机器人系统想象成一个“人体”,从物理接触世界的大脑,分为以下几个层次: 1. 最底层:硬件平台与执行机构

一文讲清楚RAG 四大模式:Naive RAG、Advanced RAG、Modular RAG 与 Agentic RAG

一文讲清楚RAG 四大模式:Naive RAG、Advanced RAG、Modular RAG 与 Agentic RAG

随着技术迭代,RAG 已从最初的简单架构发展出多种进阶形态。本文将系统解析 RAG 的四大主流模式 ——Naive RAG、Advanced RAG、Modular RAG 与 Agentic RAG,从工作原理、技术特点到适用场景进行全方位对比,为技术选型提供参考。 一、RAG 基础:检索增强生成的核心逻辑 在深入模式解析前,需先明确 RAG 的核心逻辑。简单来说,RAG 由检索(Retrieval) 与生成(Generation) 两大模块构成: 检索模块:从预设知识库中精准定位与用户问题相关的信息片段(如文档、段落、句子); 生成模块:基于检索到的信息,结合大语言模型生成符合上下文、逻辑连贯的答案。 这种 “先检索再生成” 的模式,既保留了 LLM 的语言理解与生成能力,又通过外部知识的引入弥补了模型训练数据过时、事实准确性不足的缺陷。

SLAM Toolbox终极指南:高效机器人定位与建图实践

SLAM Toolbox终极指南:高效机器人定位与建图实践 【免费下载链接】slam_toolboxSlam Toolbox for lifelong mapping and localization in potentially massive maps with ROS 项目地址: https://gitcode.com/gh_mirrors/sl/slam_toolbox SLAM Toolbox是一款基于ROS的先进开源框架,专为机器人定位与地图构建设计。它支持终身建图、多机器人协同作业等高级功能,能够在大规模环境中实现精准的SLAM操作。本文为您提供从入门到精通的完整解决方案。 为什么选择SLAM Toolbox?解决传统SLAM痛点 传统SLAM方案在面临大规模环境时常常遇到瓶颈:内存占用过高、建图速度缓慢、无法适应环境变化。SLAM Toolbox通过创新的架构设计,完美解决了这些问题: * 内存效率:优化的数据结构支持超大规模地图构建 * 实时性能:在标准硬件上可达5倍实时速率的建图 * 环境适应性:终身建图功能让机器人能够持续更新地图