本文详细介绍如何结合Neo4j知识图谱与LangChain构建Retrieval-Augmented Generation系统。文章对比传统向量检索的局限性，展示知识图谱在关系推理和可解释性方面的优势，并提供完整实现步骤：环境配置、数据导入、Cypher查询编写和混合检索器构建。通过结合图谱遍历与语义相似性匹配，打造精准可解释、适合生产环境的RAG系统，适用于医疗、金融等多个领域。

---

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 Neo4jGraph

graph = Neo4jGraph(
    url="bolt://localhost:7687",
    username="neo4j",
    password="password"
)
# 检查 schema
print(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 ChatOpenAI
from langchain.chains import GraphCypherQAChain

llm = 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 EnsembleRetriever
from langchain_community.vectorstores import FAISS
from 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 RetrievalQA

rag_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。

读者福利大放送：如果你对大模型感兴趣，想更加深入的学习大模型**，那么这份精心整理的大模型学习资料，绝对能帮你少走弯路、快速入门**

如果你是零基础小白，别担心——大模型入门真的没那么难，你完全可以学得会！

👉 不用你懂任何算法和数学知识，公式推导、复杂原理这些都不用操心；
👉 也不挑电脑配置，普通家用电脑完全能 hold 住，不用额外花钱升级设备；
👉 更不用你提前学 Python 之类的编程语言，零基础照样能上手。

你要做的特别简单：跟着我的讲解走，照着教程里的步骤一步步操作就行。

包括：大模型学习线路汇总、学习阶段，大模型实战案例，大模型学习视频，人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型！

现在这份资料免费分享给大家，有需要的小伙伴，直接VX扫描下方二维码就能领取啦😝↓↓↓

为什么要学习大模型？

数据显示，2023 年我国大模型相关人才缺口已突破百万，这一数字直接暴露了人才培养体系的严重滞后与供给不足。而随着人工智能技术的飞速迭代，产业对专业人才的需求将呈爆发式增长，据预测，到 2025 年这一缺口将急剧扩大至 400 万！!

大模型学习路线汇总

整体的学习路线分成L1到L4四个阶段，一步步带你从入门到进阶，从理论到实战，跟着学习路线一步步打卡，小白也能轻松学会！

大模型实战项目&配套源码

光学理论可不够，这套学习资料还包含了丰富的实战案例，让你在实战中检验成果巩固所学知识

大模型学习必看书籍PDF

我精选了一系列大模型技术的书籍和学习文档(电子版)，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。

大模型超全面试题汇总

在面试过程中可能遇到的问题，我都给大家汇总好了，能让你们在面试中游刃有余

这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

👉获取方式：

😝有需要的小伙伴，可以保存图片到VX扫描下方二维码免费领取【保证100%免费】

相信我，这套大模型系统教程将会是全网最齐全 最适合零基础的！！