GraphRAG实战：用Neo4j构建知识图谱，让AI问答更懂“关系”

最近和几个做AI应用落地的朋友聊天，大家普遍有个痛点：传统的RAG（检索增强生成）系统，在处理复杂、多跳的提问时，总感觉差点意思。比如，用户问“我们公司去年在华东区销售额最高的产品，它的主要供应商最近有什么新动态？”。这类问题需要系统先找到“华东区”、“去年销售额最高”、“产品”，再顺着找到“供应商”，最后获取“新动态”。纯靠向量相似度检索，就像在关键词的海洋里捞针，很容易漏掉关键信息，或者把不相关的片段硬凑在一起，导致答案要么片面，要么跑偏。

这正是GraphRAG开始受到关注的原因。它不是在取代RAG，而是在RAG的“检索”环节，引入了一个强大的导航仪——知识图谱。想象一下，你的数据不再是一堆孤立的文档碎片，而是变成了一个相互连接的语义网络。当问题进来时，系统能沿着这个网络的“关系”路径，精准定位到相关的实体群，并理解它们之间的上下文，从而组装出更完整、更准确的答案。今天，我们就抛开理论，直接从实战出发，手把手带你用Neo4j图数据库，搭建一个GraphRAG技术栈，看看它如何实实在在地提升GenAI问答的准确率。

1. 核心概念：为什么图是理解复杂问题的关键

在深入代码之前，我们需要先建立几个关键的认知。这能帮助我们在设计系统时，做出更明智的决策。

首先，明确“图”在这里指什么。 它不是Excel里的柱状图或折线图，而是一种数据结构，由“节点”和“关系”构成。节点代表实体（如“产品A”、“上海分公司”、“张经理”），关系则定义实体间的联系（如“隶属于”、“供应”、“汇报给”）。这种结构天然适合表达现实世界中错综复杂的关联。

其次，理解向量检索与图谱检索的根本差异。 传统的向量RAG，其核心能力是“语义相似度匹配”。它将文本转化为高维空间中的点（向量），通过计算点与点之间的距离来寻找相似内容。这种方法对于“找类似段落”非常高效。但其局限性在于，它缺乏对实体间显式关系和全局结构的理解。它知道“苹果”和“水果”在语义上接近，但无法直接推理出“苹果由供应商A提供，而供应商A位于陕西”。

提示：你可以把向量检索想象成一个拥有绝佳记忆力的助手，能快速找到所有提到“苹果”的文档。而图谱检索则像一位深谙公司组织架构和业务流程的专家，当被问到“苹果部门的负责人最近批准了哪些预算？”时，他能立刻理清“苹果→部门→负责人→审批流程→预算”这条逻辑链。

为了更直观地对比，我们看一个简单的表格：

特性维度	传统向量RAG	基于知识图谱的GraphRAG
检索核心	文本块间的语义相似度	实体与关系的结构化查询
优势场景	事实型问答、段落复现	多跳推理、关系查询、全局摘要
可解释性	较低，依赖向量近邻	高，答案可追溯至具体节点与路径
数据维护	以文档/块为单位，关联性隐含	以实体-关系为单位，关联性显式声明
开发调试	较黑盒，调优依赖向量模型与分块策略	较直观，可通过可视化图谱直接探查数据关联

这种差异决定了它们的互补性。一个健壮的问答系统，往往需要先用图谱检索锁定核心实体和关系网络，再用向量检索在相关的文本块中捕捉最细腻的语义细节。两者结合，才能既把握全局脉络，又不失局部精准。

2. 环境搭建与Neo4j知识图谱构建

理论清晰后，我们进入实战环节。本节将完成从原始文本到Neo4j知识图谱的完整构建流程，并提供可运行的代码示例。

2.1 技术栈选择与环境准备

我们选择Python作为主要开发语言，因为它拥有最丰富的AI和数据库生态。核心组件如下：

• 图数据库：Neo4j。它是图数据库领域的标杆，提供原生的图存储与查询语言Cypher，并且从5.x版本开始原生支持向量索引，让我们能在一个数据库内同时处理图查询和向量搜索，简化了架构。
• 大语言模型：选用OpenAI的GPT-4或ChatGPT的API。主要用于从文本中提取实体关系（信息抽取）和最终的答案生成。你也可以替换为任何兼容OpenAI API的模型或本地模型。
• 开发框架：LlamaIndex。它提供了对GraphRAG的高层抽象，特别是其PropertyGraphIndex，能极大地简化图谱构建与查询的流程。当然，LangChain也是优秀的选择，本文以LlamaIndex为例。
• 文本处理：基本的NLP库，如spaCy或nltk用于句子分割、分词等预处理。

首先，安装必要的Python包：

pip install llama-index llama-index-llms-openai llama-index-graph-stores-neo4j neo4j openai spacy
python -m spacy download en_core_web_sm  # 下载英文模型，中文可选zh_core_web_sm

接着，启动并配置Neo4j。你可以使用Neo4j Desktop（本地开发推荐）或Docker快速启动一个实例：

docker run \
    --name neo4j-graphrag \
    -p 7474:7474 -p 7687:7687 \
    -e NEO4J_AUTH=neo4j/your_password \
    -e NEO4J_PLUGINS=\[\"apoc\",\"graph-data-science\",\"n10s\"] \
    neo4j:5-enterprise

这里我们加载了apoc（高级图算法）、graph-data-science（图数据科学库）和n10s（语义图）插件，它们在未来扩展功能时会非常有用。访问http://localhost:7474，使用neo4j/your_password登录Neo4j Browser。

2.2 从非结构化文本到知识图谱

假设我们有一批公司内部的项目文档和市场报告，目标是构建一个关于“产品”、“客户”、“技术”的知识图谱。核心步骤是信息抽取和图谱构建。

步骤一：文档加载与预处理 我们使用LlamaIndex的简单阅读器加载文档，并进行基础分块。

from llama_index.core import SimpleDirectoryReader
from llama_index.core.node_parser import SentenceSplitter

# 加载文档
documents = SimpleDirectoryReader("./your_docs_dir").load_data()

# 使用句子分割器进行分块，保持一定上下文
node_parser = SentenceSplitter(chunk_size=512, chunk_overlap=50)
nodes = node_parser.get_nodes_from_documents(documents)

步骤二：定义图谱Schema并提取实体关系 这是最关键的一步。我们需要告诉LLM，我们希望从文本中提取哪些类型的实体和关系。这构成了我们知识图谱的“领域图”部分。

from llama_index.core import KnowledgeGraphIndex
from llama_index.core.graph_stores import SimpleGraphStore
from llama_index.llms.openai import OpenAI
from llama_index.graph_stores.neo4j import Neo4jGraphStore

# 初始化LLM和Neo4j连接
llm = OpenAI(model="gpt-4-turbo")
graph_store = Neo4jGraphStore(
    url="bolt://localhost:7687",
    username="neo4j",
    password="your_password",
    database="neo4j"
)

# 定义我们关心的实体和关系类型
kg_index = KnowledgeGraphIndex.from_documents(
    documents,
    kg_triplet_extract_fn=lambda x: extract_triplets(x), # 自定义提取函数
    max_triplets_per_chunk=10,
    graph_store=graph_store,
    llm=llm,
    include_embeddings=True  # 关键：同时为文本块生成向量嵌入
)

上面的extract_triplets函数需要你根据领域自定义。一个简单的方法是构造一个提示词，让LLM以结构化格式（如JSON）输出三元组（头实体，关系，尾实体）。例如：

def extract_triplets(text):
    prompt = f"""
    请从以下文本中提取实体和关系。以JSON列表格式输出，每个元素是一个三元组：`["头实体", "关系", "尾实体"]`。
    只提取真实存在于文本中的明确关系。
    实体类型包括：产品、技术、客户、公司、人物、地点、事件。
    关系类型包括：使用、开发、购买、位于、属于、参与、影响。

    文本：{text}

    输出：
    """
    response = llm.complete(prompt)
    # 解析response.text中的JSON
    # ... 解析逻辑 ...
    return parsed_triplets

运行这段代码后，LlamaIndex会驱动LLM扫描每个文本块，提取三元组，并自动通过graph_store将节点和关系插入到Neo4j数据库中。同时，因为设置了include_embeddings=True，每个文本块（节点）也会生成一个向量嵌入，并存储在Neo4j中（需要Neo4j 5.x以上并创建了向量索引）。

步骤三：在Neo4j中验证与可视化 构建完成后，立即到Neo4j Browser中查看成果。执行一个简单的查询：

MATCH (n) RETURN n LIMIT 50

你就能看到初步的知识图谱可视化。你可能会发现一些数据质量问题，比如同一实体有不同名称（“GPT-4”和“GPT4”）。这时，就需要引入实体链接或消歧的步骤，这可以通过定义实体归一化规则或使用专门的NLP工具来完善。构建知识图谱是一个迭代过程，从“最小可行图”开始，逐步清洗、丰富和扩展。

3. 实现GraphRAG查询引擎：融合图检索与向量检索

图谱建好了，接下来是如何利用它进行智能检索。GraphRAG的查询通常遵循一个“图优先，向量精修”的混合模式。

3.1 构建混合检索器

在LlamaIndex中，我们可以轻松组合不同的检索器。

from llama_index.core import VectorStoreIndex
from llama_index.core.retrievers import KGTableRetriever, VectorIndexRetriever
from llama_index.core.query_engine import RetrieverQueryEngine
from llama_index.core import get_response_synthesizer

# 1. 创建基于向量的检索器（检索原始文本块）
vector_index = VectorStoreIndex.from_documents(documents)
vector_retriever = VectorIndexRetriever(index=vector_index, similarity_top_k=5)

# 2. 创建基于知识图谱的检索器
# KnowledgeGraphIndex本身可以作为检索器，它支持基于实体和关系的查询
kg_retriever = kg_index.as_retriever()

# 3. 创建混合检索器
from llama_index.core.retrievers import QueryFusionRetriever
from llama_index.core.postprocessor import LLMRerank

hybrid_retriever = QueryFusionRetriever(
    [vector_retriever, kg_retriever],
    llm=llm,
    similarity_top_k=10,
    num_queries=4,  # 对原始查询进行多角度重写，以触发不同检索器
    mode="reciprocal_rerank", # 使用互惠排序融合算法
)

# 4. （可选）添加重排序器，用LLM对初步检索结果进行精排
reranker = LLMRerank(top_n=5, llm=llm)

这个QueryFusionRetriever是强大之处。它不会简单地将两个检索器的结果合并去重，而是：

1. 利用LLM将用户原始问题生成多个不同侧重点的查询。
2. 分别用这些查询去调用向量检索器和图谱检索器。
3. 使用融合算法（如Reciprocal Rank Fusion）对所有结果进行综合排序，确保最相关的内容排在前面。

3.2 执行图增强的查询

现在，我们可以用这个混合检索器来组装最终的问答引擎。

# 创建响应合成器
response_synthesizer = get_response_synthesizer(llm=llm, response_mode="compact")

# 组装查询引擎
query_engine = RetrieverQueryEngine(
    retriever=hybrid_retriever,
    response_synthesizer=response_synthesizer,
    node_postprocessors=[reranker]  # 应用重排序
)

# 进行查询
query = "我们旗舰产品‘星辰AI平台’的主要竞争对手有哪些？它们各自采用了什么关键技术？"
response = query_engine.query(query)
print(response)

在这个过程中，图谱检索器（kg_retriever）内部是如何工作的呢？它可能会将查询“星辰AI平台”的竞争对手”转化为如下的Cypher查询逻辑：

1. 找到名为“星辰AI平台”的产品节点。
2. 查找与该产品节点具有竞争关系的其他产品节点。
3. 获取这些竞争产品节点，并进一步查找与它们相连的采用或使用关系，指向技术节点。
4. 返回这些产品节点和技术节点，以及它们相关的原始文本块（通过“提及”关系连接）。

这些从图谱中检索出的高度结构化的信息，与向量检索器找到的相关文本片段一起，被送入LLM生成最终答案。LLM因此获得了明确的实体关系网络作为上下文，而不仅仅是零散的文本，从而能生成更具逻辑性和准确性的回答。

4. 性能对比、调优与部署考量

任何技术方案的价值都需要通过对比和实测来验证。下面我们设计一个简单的评测，并分享几个关键的调优点。

4.1 设计对比实验

为了直观感受GraphRAG的优势，我们可以针对同一批数据，搭建三个系统进行对比：

• 系统A（纯向量RAG）：仅使用向量数据库进行检索。
• 系统B（纯图谱RAG）：仅使用知识图谱进行检索（依赖实体识别和关系查询）。
• 系统C（GraphRAG混合模式）：使用我们上面实现的混合检索器。

准备一组测试问题，特别是包含多跳推理和关系查询的问题。例如：

1. 单跳事实：“公司的总部在哪里？”（基准问题）
2. 多跳推理：“为项目‘北极星’提供云服务的供应商，其CEO是谁？”
3. 聚合/摘要：“总结一下我们过去一年在金融行业客户中遇到的三大常见技术挑战。”

从答案准确性（人工或LLM评估是否答对）、答案完整性（是否涵盖了所有关键方面）、证据可追溯性（能否清晰指出答案来源节点/路径）三个维度进行评分。

在我的一个内部项目测试中，针对一批技术文档，结果趋势如下：

问题类型	纯向量RAG	纯图谱RAG	GraphRAG混合模式
单跳事实	准确率高，响应快	准确率高，依赖实体识别	准确率最高，响应快
多跳推理	准确率低，易遗漏中间环节	准确率高，路径清晰	准确率高且稳定，信息更丰富
聚合摘要	信息碎片化，整合能力弱	能抓住核心实体，但细节缺失	信息全面，结构清晰

GraphRAG混合模式在复杂问题上优势明显，因为它结合了图谱的结构化推理能力和向量的语义捕捉能力。

4.2 关键调优技巧

在实际部署中，以下几个点的调优能极大影响系统效果：

1. 图谱Schema设计：这是地基。实体和关系的定义是否贴合业务？过于粗放会丢失信息，过于精细则增加构建和维护成本。建议从核心业务概念开始，逐步扩展。
2. 信息抽取的准确性：这是瓶颈。LLM抽取的三元组可能存在错误或遗漏。除了优化提示词，可以考虑：
   • 多阶段抽取：先用小模型快速筛选可能包含关系的句子，再用大模型精细抽取。
   • 后处理与验证：设定规则对抽取结果进行过滤（如关系必须为动词短语），或利用图谱的一致性进行验证（如两个同类实体不应出现“属于”关系）。
3. 查询重写与Cypher生成：如何将自然语言问题精准转化为图谱查询（Cypher语句）？LlamaIndex和LangChain都提供了相关组件，但其生成质量依赖LLM和对图谱Schema的描述。可以为常见查询模式编写模板，或对LLM进行微调。
4. 向量与图谱的权重平衡：在混合检索中，如何设置两种检索结果的权重？这需要根据你的问题分布进行调整。对于事实型问题，可以偏向向量；对于关系型问题，则偏向图谱。QueryFusionRetriever的融合算法参数需要根据评测结果进行调整。
5. Neo4j性能优化：
   • 索引：务必为实体名称、属性创建索引，并为向量字段创建向量索引。

   CREATE INDEX product_name_index IF NOT EXISTS FOR (p:Product) ON (p.name);
   CREATE VECTOR INDEX chunk_embeddings IF NOT EXISTS FOR (c:Chunk) ON (c.embedding) OPTIONS {indexConfig: {`vector.dimensions`: 1536, `vector.similarity_function`: 'cosine'}};
   

   • 查询优化：避免在Cypher查询中使用全图扫描，尽量从已知标签和索引属性开始遍历。

4.3 部署与运维建议

将GraphRAG系统投入生产环境，还需要考虑：

• 增量更新：新文档进来后，如何增量更新知识图谱？需要设计流水线，定期运行信息抽取和图谱合并任务，并处理实体对齐。
• 监控与评估：建立线上问答的反馈循环。记录用户问题、系统检索到的节点/文本、以及最终答案。通过人工抽样或模型自动评估，持续发现检索或生成的薄弱环节。
• 成本控制：GraphRAG增加了图谱构建和查询的步骤，可能会增加LLM API调用（用于信息抽取）和数据库计算的开销。需要对文档分批处理，缓存常见的图谱查询结果，并监控Token使用量。

从我个人的经验来看，GraphRAG带来的最大好处不仅仅是准确率的提升，更是开发调试体验的飞跃。当答案出错时，我可以直接打开Neo4j Browser，沿着可视化的图谱路径查看检索到了哪些节点和关系，立刻判断是信息抽取错了，还是查询路径设计有问题。这种可解释性和可操控性，在构建复杂的企业级AI应用时，是无价的。它让AI系统从一个“黑盒”变成了一个你可以理解、调整和信任的伙伴。