LLM 已从根本上改变了我们与数据交互、自动化推理以及构建智能系统的方式。然而，尽管其生成式能力令人印象深刻，LLM 天生并不理解关系、结构或长期的事实一致性。这一缺陷在我们尝试将 LLM 用于企业级知识系统、多跳推理或决策关键型应用时尤为明显。

这正是图数据库与 RAG 结合之处，二者共同为 AI 系统形成一种新的架构范式——将符号推理与神经生成相融合。

为什么传统数据存储无法支撑 AI 推理？

大多数现代应用仍依赖关系型数据库或文档型存储。这些系统在处理表格化或松散结构的数据时表现良好，但当“关系本身就是数据”时就会力不从心。想想反欺诈、推荐系统、企业知识库或科学研究等领域，理解实体如何相互连接比存储孤立事实更为重要。

关系型数据库通过外键与 JOIN 间接建模关系。随着数据增长，JOIN 变得复杂、缓慢且难以推理。NoSQL 解决了部分可扩展性问题，但仍难以刻画语义与关系。构建在这些存储之上的 AI 系统自然也会继承同样的局限。

图数据库：按世界本来面目建模！

图数据库旨在以人类直觉的方式建模世界——一个由相互连接的实体组成的网络。在图数据库中，数据采用属性图模型存储，由节点、关系和属性构成。

节点表示实体，如人、公司、文档、概念或事件。关系描述节点之间的连接，且总是具有方向性与语义。属性为节点与关系存储元数据，从而支持丰富的上下文建模。

图数据库的最大优势在于将“关系”作为一等公民。与在查询时计算 JOIN 不同，图数据库直接存储关系，使得遍历既快速又直观。这带来高效的多跳查询、深度上下文探索与灵活的模式演化——这些能力对 AI 推理系统至关重要。

核心理念

用图而非表来存储数据。

一个图由以下要素组成：

节点 -> 实体
关系 -> 实体之间的关系
属性 -> 作用于节点与关系的属性

这被称为 属性图模型。

Neo4j：事实上的图数据库标准

Neo4j 是使用最广泛的图数据库，专为图工作负载而生。不同于把图当作事后补充的多模型数据库，Neo4j 的存储引擎针对图遍历优化，采用一种称为 免索引邻接 的理念，即用直接指针连接相邻节点。

Neo4j 支持 ACID 事务、集群、水平扩展与企业级安全，适用于生产系统。其查询语言 Cypher 让开发者能够以声明式、可读的方式表达复杂的图模式。开发者不再以表与 JOIN 思维，而是以“模式与关系”思考。凭借这些能力，Neo4j 已成为跨金融、医疗、供应链、网络安全与 AI 驱动分析等行业的知识图谱基础。

Cypher 查询语言与图查询

Neo4j 使用 Cypher，这是一种专为图模式表达而设计的声明式查询语言，语法接近 ASCII-art 模式匹配。它关注“想要检索什么”，而非“如何检索”。这使得图查询直观而有表现力，尤其适用于涉及多跳、条件与聚合的复杂遍历。相较于 SQL，在推断连接、挖掘关系与获取深层嵌套上下文方面，Cypher 更加高效易用。这种表达力是依赖结构化知识进行推理的 AI 系统的关键使能器。

Retrieval Augmented Generation 及其局限

Retrieval Augmented Generation（RAG）通过将检索到的文档注入提示上下文来增强 LLM，使其更具事实依据。但这种方式本质上仍是非结构化的：检索片段往往彼此割裂、冗余，或缺乏关系上下文。

传统 RAG 在以下场景中表现乏力：

问题需要多跳推理
答案依赖实体间关系
需要可解释性
必须尽量降低幻觉风险

这正是 GraphRAG 脱颖而出的地方。

为什么选择 GraphRAG？

什么是 GraphRAG？

GraphRAG（Graph Based Retrieval Augmented Generation）是一种架构范式，使用 知识图谱作为 LLM 的主检索与推理层。它不是检索原始文本片段，而是检索子图——由实体、关系及其邻域构成的结构化知识。

在 GraphRAG 中，LLM 不再仅依赖非结构化文本进行推理，而是基于显式事实与关系进行推理，从而显著提升准确性、可解释性与可信度。

GraphRAG 并不会完全取代向量搜索，而是与之互补。许多生产系统采用 混合图 + 向量 RAG，将语义相似度与结构化推理结合。

User Query ↓ Query Understanding (LLM) ↓ Graph Retrieval (Neo4j) ↓ Subgraph Construction ↓ Optional Vector Similarity ↓ Context Assembly ↓ LLM Generation

组件

数据摄取管道
- 文档 → 实体 + 关系
- 基于 LLM 的抽取
- 存入 Neo4j
图存储
- Neo4j 知识图谱
检索器
- 基于 Cypher
- 多跳遍历
推理层
- LLM 读取图上下文进行推理

GraphRAG 的内部工作机制

步骤 1: 知识抽取
从文本中提取结构化信息。
例如，从句子 “Neo4j is used by OpenAI for knowledge graphs” 中可抽取：
(OpenAI)-[:USES]->(Neo4j) (Neo4j)-[:TYPE]->(GraphDatabase)

步骤 2: 图存储
将抽取出的实体和关系以结构化形式存入图数据库。

步骤 3: 查询映射
将用户自然语言问题映射为实体和意图。

步骤 4: 子图检索
基于查询意图，在图数据库中检索相关的邻域子图（k 跳遍历）。

步骤 5: 基于事实的生成
LLM 基于检索出的显式事实子图进行推理和回答，而非凭空猜测。

为什么 LangChain 对 GraphRAG 至关重要

LangChain 充当编排层，将 LLM 与外部工具、记忆与数据库连接起来。它提供提示模板、链、智能体与图连接器等抽象，便于构建复杂的 AI 工作流。

与 Neo4j 集成后，LangChain 能让 LLM 动态生成 Cypher 查询、在知识图谱上执行，并对结果进行推理。这样，自然语言问题可以被转换为结构化的图遍历，无需用户手写 Cypher。

LangChain 实质上让 LLM 从“文本生成器”进化为图推理引擎。

GraphRAG 对企业级 AI 的意义

GraphRAG 并非学术噱头。它直面现实世界 AI 系统的三大难题：幻觉、缺乏可解释性，以及对复杂数据推理能力不足。企业愈发需要能自证其断言、可追踪推理路径、并在高风险环境中可靠运行的 AI 系统。

通过将 Neo4j 的结构智能、LangChain 的编排能力与 LLM 的生成能力相结合，GraphRAG 使 AI 不仅“能说会道”，更能“正确、透明、可信”。

使用 Neo4j 和 LangChain 的端到端 GraphRAG 实现

1. 架构概览（本示例实现内容）

此实现遵循 真正的 GraphRAG 流水线 ，而非仅向量检索 RAG：

文档摄取
使用 LLM 抽取实体与关系
在 Neo4j 中创建知识图谱
通过 Cypher 进行基于图的检索
使用 LLM 进行基于知识的答案生成
LLM → Graph → LLM 的推理闭环

先决条件

安装依赖

bash pip install neo4j langchain langchain-community langchain-openai tiktoken python-dotenv

Neo4j 设置

本地运行 Neo4j（推荐使用 Docker）：

bash docker run -p 7474:7474 -p 7687:7687 -e NEO4J_AUTH=neo4j/password neo4j:5

Neo4j Browser: http://localhost:7474

环境变量

创建 .env 文件：

env OPENAI_API_KEY=your_openai_key NEO4J_URI=bolt://localhost:7687 NEO4J_USERNAME=neo4j NEO4J_PASSWORD=password

步骤 1：初始化 Neo4j 图连接

“`python
import os
from dotenv import load_dotenv
from langchain_community.graphs import Neo4jGraph

load_dotenv()

graph = Neo4jGraph(
url=os.environ[“NEO4J_URI”],
username=os.environ[“NEO4J_USERNAME”],
password=os.environ[“NEO4J_PASSWORD”],
)
“`

步骤 2：定义 LLM

“`python
from langchain_openai import ChatOpenAI

llm = ChatOpenAI(
model=”gpt-4o-mini”,
temperature=0
)
“`

步骤 3：知识抽取（Documents → Graph）

示例：

python documents = [ """ Neo4j is a graph database used by enterprises. LangChain integrates Neo4j for GraphRAG applications. GraphRAG improves multi-hop reasoning in LLMs. """ ]

实体与关系抽取提示词：

“`python
from langchain.prompts import PromptTemplate

kg_prompt = PromptTemplate.from_template(“””
Extract entities and relationships from the text.

Text:
{text}

Return output strictly in this JSON format:
{{
“entities”: [
{{“name”: “…”, “type”: “…”}}
],
“relationships”: [
{{“source”: “…”, “relation”: “…”, “target”: “…”}}
]
}}
“””)
“`

运行抽取：

“`python
import json

def extract_knowledge(text):
response = llm.invoke(
kg_prompt.format(text=text)
)
return json.loads(response.content)

kg_data = extract_knowledge(documents[0])
“`

步骤 4：将知识写入 Neo4j

“`python
def store_kg(graph, kg):
for entity in kg[“entities”]:
graph.query(
“””
MERGE (e:Entity {name: $name})
SET e.type = $type
“””,
{“name”: entity[“name”], “type”: entity[“type”]}
)

for rel in kg["relationships"]:
    graph.query(
        """
        MATCH (a:Entity {name: $source})
        MATCH (b:Entity {name: $target})
        MERGE (a)-[r:RELATION {type: $relation}]->(b)
        """,
        {
            "source": rel["source"],
            "target": rel["target"],
            "relation": rel["relation"]
        }
    )

store_kg(graph, kg_data)

现在你已经拥有一个持久化的知识图谱。

“`

步骤 5：基于图的检索（GraphRAG 核心）

基于 Cypher 的检索函数

python def retrieve_subgraph(question): cypher_query = f""" MATCH (e:Entity)-[r]->(n) WHERE e.name CONTAINS '{question}' OR n.name CONTAINS '{question}' RETURN e.name AS source, r.type AS relation, n.name AS target LIMIT 20 """ return graph.query(cypher_query)

步骤 6：从图构建上下文

python def graph_context_to_text(results): context = [] for row in results: context.append( f"{row['source']} --{row['relation']}--> {row['target']}" ) return "n".join(context)

步骤 7：基于知识的答案生成

GraphRAG 回答提示词

“`python
answer_prompt = PromptTemplate.from_template(“””
You are a knowledge-grounded assistant.

Graph context:
{context}

Question:
{question}

Answer strictly using the graph context.
“””)
“`

完整 GraphRAG 流水线

“`python
def graphrag_answer(question):
graph_results = retrieve_subgraph(question)
context = graph_context_to_text(graph_results)

response = llm.invoke(
    answer_prompt.format(
        context=context,
        question=question
    )
)
return response.content

“`

步骤 8：运行系统

“`python
question = “How does LangChain relate to Neo4j?”
answer = graphrag_answer(question)

print(“Answer:”)
print(answer)
“`

为什么说这是真正的 GraphRAG？

这不是单纯的向量搜索。

该系统：
* 使用了显式实体
* 使用了关系遍历
* 检索子图
* 让 LLM 在结构化知识上作答
* 支持多跳推理
* 降低幻觉

如何演进到生产级

可扩展增强：
* 在节点上添加向量嵌入
* 采用混合图 + 向量检索
* 基于模式的 Cypher 生成
* 基于智能体的图遍历
* 支持时间与置信度感知的边
* 支持 Azure OpenAI 或本地 LLM

Documents ↓ Entity & Relation Extraction ↓ Neo4j Knowledge Graph ↓ Cypher Traversal ↓ Structured Context ↓ LLM Answer (Grounded)

AI 的未来既不属于单一的 LLM，也不属于孤立的符号系统，而是属于将神经语言理解与符号推理、结构化知识相融合的混合架构。

图数据库提供记忆。知识图谱提供语义。GraphRAG 提供推理。LLM 提供语言。

它们共同构成下一代企业级 AI 系统的基石。

关注“鲸栖”小程序，掌握最新AI资讯

本文来自网络搜集，不代表鲸林向海立场，如有侵权，联系删除。转载请注明出处：https://www.itsolotime.com/archives/15390

GraphRAG深度解析：融合Neo4j与LangChain，构建下一代知识增强型LLM系统