Neo4j 图谱 RAG 上下文构建

要解决的问题

常规 RAG 把文档切成块塞进向量库，检索回来的往往是孤立片段。当问题涉及实体间的多跳关系（比如「某公司竞争对手的高管有谁」）时，向量检索只能给出零散事实，丢掉了实体之间的连接结构。手工建模知识图谱可以避免这个问题，但成本高、schema 设计容易出错。

这个技能做什么

该技能基于 Neo4j LLM Graph Builder，把有限规模的文档集交给 LLM 自动抽取实体与关系，写入 Neo4j 知识图谱，作为基于图谱的 RAG 的上下文来源：

• 文档入图：以一批文档为输入，LLM 抽取实体与关系，生成节点和边的集合。
• 可校验的抽取结果：抽取不是黑盒，你可以检查图谱中的节点与关系，发现抽取错误或噪声。
• 作为 RAG 上下文来源：图谱构建完成后挂载到图谱 RAG 流程，利用实体关系做多跳检索与增强。

大致流程是：准备好 Neo4j 数据库与后端配置，将文档喂给构建流程，检查抽取结果，最后在 RAG 链路中引用图谱上下文。

适用边界与注意点

• 环境要求明确：需要 Neo4j Database 5.23 或更高版本并安装 APOC，后端要求 Python 3.12 或更高，还需要配置好的 LLM 提供商凭证。
• 如果使用 Neo4j Desktop，后端与前端需要分别部署，docker-compose 的一键路径不可用。
• 面向有限文档集：文档量过大时，抽取成本和图谱质量都会成为问题，更适合小规模、高价值的知识库。
• 抽取质量依赖底层 LLM，节点与关系的命名规范、schema 的稳定性需要自行把关。