前言

学习如何结合 Neo4j 知识图谱和 LangChain，打造精准、可解释、适合生产环境的 Retrieval-Augmented Generation (RAG) 系统。

---

Retrieval-Augmented Generation (RAG) 已经迅速成为让 Large Language Models (LLMs) 在生产环境中真正发挥作用的首选架构。RAG 不再仅仅依赖 LLM 的内部记忆，而是将其与外部知识源连接起来。

虽然大多数教程展示的是使用 Pinecone、Weaviate 或 FAISS 等向量数据库的 RAG，但在现实世界的问题中，单靠语义相似度往往不够。你需要关系、推理和可解释性。这正是 Neo4j 驱动的知识图谱大放异彩的地方。

在这篇文章中，我们将使用 LangChain 构建一个 Neo4j 驱动的 RAG 管道，内容包括：

• • 为什么将知识图谱与 RAG 结合
• • 安装和配置 Neo4j + LangChain
• • 将数据导入 Neo4j（节点、关系、嵌入）
• • 编写 Cypher 查询 + 混合检索器
• • 使用 LangChain 的 graph chain 连接 Neo4j 和 LLM
• • 一个完整的实际示例

为什么在 RAG 中使用知识图谱？

传统的向量检索会找到与查询相似的文本片段。但在以下情况下它会失败：

• • 答案需要多跳推理（例如：“哪些供应商间接影响产品 X？”）
• • 关系是关键（药物 → 靶点 → 蛋白质 → 疾病）
• • 需要可解释性（用户想知道模型为什么这样回答）

Neo4j 允许你以图谱形式显式存储实体和关系，并使用 Cypher 进行查询。通过 LangChain，你可以结合：

• • 图谱遍历进行结构化查询
• • 嵌入进行语义相似性匹配
• • LLM 进行推理和自然语言回答

这就形成了混合检索管道：精准、可解释、适合生产环境。

设置

首先安装依赖：

pip install langchain langchain-community neo4j openai

你还需要一个运行中的 Neo4j 数据库（本地或 AuraDB Free）。

步骤 1：连接到 Neo4j

LangChain 提供内置的 Neo4j 图谱集成：

from langchain_community.graphs import Neo4jGraphgraph = Neo4jGraph(    url="bolt://localhost:7687",    username="neo4j",    password="password")# 检查 schemaprint(graph.schema)

这让 LangChain 能够理解你的知识图谱的实体和关系。

步骤 2：将数据导入 Neo4j

让我们插入一个小型医疗知识图谱：

CREATE (d1:Disease {name: "Diabetes"})CREATE (d2:Disease {name: "Hypertension"})CREATE (drug1:Drug {name: "Metformin"})CREATE (drug2:Drug {name: "Insulin"})CREATE (drug3:Drug {name: "Lisinopril"})CREATE (drug1)-[:TREATS]->(d1)CREATE (drug2)-[:TREATS]->(d1)CREATE (drug3)-[:TREATS]->(d2)

现在我们可以直接查询类似 (:Drug)-[:TREATS]->(:Disease) 的关系。

步骤 3：使用 LangChain 的 Cypher Chain

LangChain 有一个 CypherChain，可以将自然语言问题转化为 Cypher 查询：

from langchain_openai import ChatOpenAIfrom langchain.chains import GraphCypherQAChainllm = ChatOpenAI(model="gpt-4.1")cypher_chain = GraphCypherQAChain.from_llm(    llm=llm,    graph=graph,    verbose=True)response = cypher_chain.run("Which drugs treat Diabetes?")print(response)

LLM 会将自然语言问题翻译成 Cypher 查询，在 Neo4j 上执行，然后返回人类可读的答案。

步骤 4：添加向量检索（混合 RAG）

如果用户问一些模糊的问题，比如“用来控制血糖的是什么？”单靠图谱可能不够。

这时候混合 RAG 就派上用场了：

• • 使用嵌入 + 向量数据库进行语义召回
• • 使用 Neo4j 进行关系推理

在 LangChain 中，你可以组合检索器：

from langchain.retrievers import EnsembleRetrieverfrom langchain_community.vectorstores import FAISSfrom langchain_openai import OpenAIEmbeddings# 示例 FAISS 检索器embeddings = OpenAIEmbeddings()vectorstore = FAISS.from_texts(    ["Metformin is first-line treatment for type 2 diabetes.",     "Insulin regulates blood glucose levels.",     "Lisinopril is used for hypertension."],    embeddings)faiss_retriever = vectorstore.as_retriever()# 组合 Neo4j + FAISS 检索器hybrid_retriever = EnsembleRetriever(    retrievers=[faiss_retriever, graph],    weights=[0.5, 0.5])

现在你的管道同时利用了语义和结构。

步骤 5：完整的 Neo4j RAG 链

以下是如何将它组装成完整的 LangChain RAG 流程：

from langchain.chains import RetrievalQArag_chain = RetrievalQA.from_chain_type(    llm=llm,    retriever=hybrid_retriever,    chain_type="stuff")query = "What drugs are commonly prescribed for high blood sugar?"answer = rag_chain.run(query)print(answer)

检索器会从 Neo4j 和向量嵌入中拉取上下文，LLM 则生成自然语言答案。

高级扩展

• • 图谱 + LLM 代理：使用 LangChain Agents 结合工具（Neo4j 查询工具 + 向量检索工具）。
• • Schema 感知提示：将 Neo4j 的 schema 提供给 LLM，让它写出更好的 Cypher 查询。
• • 路径解释：返回答案旁边的实际图谱路径，以提高可解释性。
• • 图谱嵌入：使用 Neo4j Graph Data Science 计算实体/路径的嵌入。

使用场景

• • 医疗 RAG：检索有效的药物-疾病关系，防止幻觉。
• • 金融风险：建模机构之间的风险暴露，使用混合检索查询“间接风险”。
• • 法律搜索：将案例法引用表示为图谱，进行多跳先例推理。
• • 企业知识：基于本体论的聊天机器人，用于内部文档发现。

结论

仅依赖向量检索会限制系统处理复杂推理和多跳查询的能力。通过引入知识图谱，你不仅能获得更丰富的关联，还能提升可解释性和结构化推理能力。

使用 LangChain 的 Neo4jGraph 和 CypherQAChain，将 Neo4j 集成到 RAG 管道中变得无缝。此外，采用混合检索策略——结合嵌入和基于图谱的遍历——能提供语义灵活性和关系准确性之间的最佳平衡。

在实践中，LangChain 和 Neo4j 的结合使开发出既强大又可解释、值得信赖的生产级 RAG 系统成为可能。

最后

为什么要学AI大模型

当下，⼈⼯智能市场迎来了爆发期，并逐渐进⼊以⼈⼯通⽤智能（AGI）为主导的新时代。企业纷纷官宣“ AI+ ”战略，为新兴技术⼈才创造丰富的就业机会，⼈才缺⼝将达 400 万！

DeepSeek问世以来，生成式AI和大模型技术爆发式增长，让很多岗位重新成了炙手可热的新星，岗位薪资远超很多后端岗位，在程序员中稳居前列。

与此同时AI与各行各业深度融合，飞速发展，成为炙手可热的新风口，企业非常需要了解AI、懂AI、会用AI的员工，纷纷开出高薪招聘AI大模型相关岗位。

最近很多程序员朋友都已经学习或者准备学习 AI 大模型，后台也经常会有小伙伴咨询学习路线和学习资料，我特别拜托北京清华大学学士和美国加州理工学院博士学位的鲁为民老师给大家这里给大家准备了一份涵盖了AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频 全系列的学习资料，这些学习资料不仅深入浅出，而且非常实用，让大家系统而高效地掌握AI大模型的各个知识点。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

AI大模型系统学习路线

在面对AI大模型开发领域的复杂与深入，精准学习显得尤为重要。一份系统的技术路线图，不仅能够帮助开发者清晰地了解从入门到精通所需掌握的知识点，还能提供一条高效、有序的学习路径。

但知道是一回事，做又是另一回事，初学者最常遇到的问题主要是理论知识缺乏、资源和工具的限制、模型理解和调试的复杂性，在这基础上，找到高质量的学习资源，不浪费时间、不走弯路，又是重中之重。

AI大模型入门到实战的视频教程+项目包

看视频学习是一种高效、直观、灵活且富有吸引力的学习方式，可以更直观地展示过程，能有效提升学习兴趣和理解力，是现在获取知识的重要途径

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

海量AI大模型必读的经典书籍（PDF）

阅读AI大模型经典书籍可以帮助读者提高技术水平，开拓视野，掌握核心技术，提高解决问题的能力，同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说，阅读经典书籍是非常有必要的。

600+AI大模型报告（实时更新）

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

AI大模型面试真题+答案解析

我们学习AI大模型必然是想找到高薪的工作，下面这些面试题都是总结当前最新、最热、最高频的面试题，并且每道题都有详细的答案，面试前刷完这套面试题资料，小小offer，不在话下

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】