GraphRAG and Agentic Architecture: Practical Experimentation with Neo4j and NeoConverse

文章摘要

在日益发展的AI领域，检索增强生成（RAG）已成为利用外部数据增强大语言模型（LLM）的首选方法。然而，传统的RAG往往依赖于缺乏深度关系感知的、以文档为中心的非结构化方法。本文介绍了GraphRAG，一种新兴的方法，它利用基于图的数据表示来提供更丰富的上下文、动态查询和更可靠的答案。我们还将探讨Agentic架构，以及如何将GraphRAG和Agentic架构结合到一起，来实现更强大的AI应用。最后，本文介绍了NeoConverse，一个将GraphRAG和Agentic架构结合在一起的实验性GenAI应用，并展示了其实际应用案例。

引言

在当今快速发展的AI世界中，企业越来越依赖于能够从大量数据中提取有价值见解的强大工具。检索增强生成（RAG）作为一种关键技术，通过整合外部知识来增强大语言模型（LLM）的能力，从而应对这一挑战。然而，传统的RAG方法在处理复杂关系和多跳推理方面存在局限性。为了解决这些问题，GraphRAG应运而生，它利用知识图谱的强大功能来提供更丰富、更动态和更可靠的上下文。本文将深入探讨GraphRAG的概念，以及它如何超越传统RAG，从而实现更智能、更高效的AI应用。此外，我们将探讨Agentic架构，这是一种利用专门的组件（即代理或工具）来委托工作的体系结构，以及NeoConverse，一个将GraphRAG和Agentic架构结合在一起的实验性GenAI应用。

传统RAG的局限性

传统的RAG方法通常将数据分解为较小的块，如段落或句子，并使用文本嵌入来表示每个块。在查询处理期间，会搜索这些嵌入以检索与关键字相似或语义匹配度最高的块，从而为LLM提供外部上下文。虽然这种方法对于一般问题回答是有效的，但在以下方面往往存在不足：

• 深度关系查询

  传统的RAG擅长根据关键字相似性或语义接近度提取相关文本块，但它不适用于需要推理块、文档、实体或更广泛上下文之间关系的查询。

• 上下文碎片化

  文档被视为孤立的块，嵌入捕获局部含义而不是全局连贯性，这使得难以拼凑多跳推理（例如，“哪些供应商与X公司的产品线相关联，以及销售趋势如何？”）。

GraphRAG的优势

与传统RAG不同，GraphRAG利用知识图谱，其中实体和关系是首要考虑因素。

这种方法使得：

• 上下文检索

  可以探索图结构以准确找到所需的节点（公司、供应商、产品）和关系。

• 丰富的多跳查询

  图数据库自然处理多级关系，从而更容易形成高级查询。

• 可解释的推理

  基于图的检索允许精确跟踪答案的推导方式，将其链接到特定来源信息，从而增强信任度和更好的可审计性。

Agentic架构简介

传统的LLM应用程序依赖于整体提示工程来处理所有任务，而Agentic架构使用函数调用和工具使用将工作委托给专门的组件（即代理或工具）。工具是特定的函数或API（例如，数据库搜索或计算器），而代理通常依赖于工具来实现其目标，充当编排者或决策者，根据手头的任务调用和协调一个或多个工具。

例如：

• 专业代理

  每个代理处理一个更高级别的任务。代理可以使用一个或多个工具，这些工具是与执行检索或操作任务的数据源或API的单个集成。

• 自适应LLM

  LLM解释用户意图并选择最佳代理或工具，而不是依赖预定义的规则。

• 可扩展性和模块化

  可以轻松添加或更新其他代理，而无需重新训练模型。

NeoConverse: GraphRAG 与 Agentic 架构的结合

NeoConverse是一个实验性的GenAI应用程序，它将GraphRAG和Agentic架构结合在一个环境中。可以将NeoConverse视为一个试验平台，用于了解下一代LLM解决方案的外观。它不是一个生产就绪的平台，缺少例如SSO或企业级加密、复杂的防护措施和验证等功能。

NeoConverse的关键特性包括：

• 基于图的智能

  利用Neo4j探索丰富的关系，执行多跳查询，并应用高级图算法以获得更深入的见解。

• Agentic工具

  定义用于各种特定领域任务的专业工具，使用方法包括：

• 图遍历
• 全文搜索
• 向量嵌入
• 图数据科学算法
• 外部API集成

• 架构

  NeoConverse使用单代理架构，其中LLM充当代理，动态选择相关工具。

• 自动模式提取

  自动检索和更新Neo4j模式，使LLM能够精确理解可用的节点、关系和属性。

• 少样本上下文

  通过提供示例查询和简短的特定领域问答对来提高LLM的准确性，从而更好地指导理解。

• 自主工具选择

  使用函数调用自主选择最佳代理或工具，从而显着减少用户干预。

• 智能回退机制

  当未识别出合适的Agentic工具时，优雅地回退到Text2Cypher查询生成。

• 动态图表生成

  直接从自然语言查询生成可视化（例如，“按公司部门显示收入的条形图”）。

• 实验性图可视化

  使用Neo4j可视化库交互式可视化查询结果，以进行实验性图可视化。

NeoConverse的工作流程

NeoConverse的工作流程如下：

1. 用户用通俗易懂的语言提问。
2. LLM解析意图并检查是否适用任何用户定义的代理。
3. 如果可以使用专业代理，则NeoConverse执行相应的工具。否则，它将回退到GetCypher工具进行Text2Cypher生成。
4. 检索到的上下文被发送回LLM，LLM编译最终答案。
5. NeoConverse向用户返回基于数据支持的响应。

使用公司数据集探索NeoConverse

为了更好地理解NeoConverse的运作方式，我们将使用基于Neo4j图数据库构建的公司知识图谱。此图谱对各种组织进行建模，包括公司、地点、高管、投资、供应商、竞争对手和新闻文章。

NeoConverse代理设置

在NeoConverse中，可以从左侧的菜单中创建自定义代理。代理配置收集以下信息：

1. General

   提供代理的名称和描述。

2. Neo4j Connection

   配置Neo4j连接详细信息以进行对话。

3. GenAI API

   设置API凭据和LLM模型配置。

4. Schema

   根据Neo4j连接详细信息自动提取模式。

5. Few-Shot Examples

   In-context learning 样本。

6. Tools for LLM

   创建具有目标和检索方法的工具。

案例分析：Palantir

为了展示GraphRAG的强大功能，我们来看一个具体的例子：Palantir。

传统RAG的局限性

使用传统RAG，当询问有关Palantir的信息时，LLM可能会检索到与Palantir无关的实体，例如Salesforce或Facebook。这是因为传统的RAG无法理解实体之间的复杂关系，并且依赖于关键字匹配，这可能会导致不相关的结果。

GraphRAG的优势

使用GraphRAG，LLM能够通过知识图谱中定义的Palantir节点，正确识别Palantir的实际客户，同时排除不相关的实体。这是因为GraphRAG确保检索到的文章与知识图谱中的Palantir节点相关联，从而为LLM生成答案提供了更好的上下文。

Agentic架构的实际应用

Agentic架构通过使用专门的工具和代理来增强LLM的能力。在NeoConverse中，我们创建了一个工具，用于检索实时股票信息。该工具名为“get_stock_info”，它使用外部API检索给定公司股票代码的实时股票数据。

Agentic架构的步骤：

1. 接收请求

   用户提出一个复杂的问题：“确定媒体报道最多的公司，提供您可能获得的任何见解的摘要，以及其当前股价”。

2. 解析和工具选择

   LLM解析用户的意图并确定需要哪些工具来回答问题。在这种情况下，它识别出需要“get_stock_info”工具来获取股票数据，以及其他工具（例如，图遍历或新闻搜索）来查找媒体报道和见解。

3. 工具执行

   LLM调用选定的工具。这包括使用“get_stock_info”工具获取股票数据，使用图遍历工具来查找相关公司信息，以及使用新闻搜索工具来检索媒体报道。

4. 上下文增强

   LLM将从各个工具检索到的信息组合在一起，创建一个全面的上下文。这包括股票数据、公司信息和媒体报道摘要。

5. 答案生成

   LLM使用增强的上下文生成最终答案。它提供对用户的请求的全面响应，包括有关媒体报道、公司见解和当前股价的信息。

6. 响应用户

   系统向用户提供最终答案，提供关于公司及其股票表现的全面、数据驱动的见解。

通过利用agentic架构，NeoConverse能够高效地处理复杂查询，从多个来源检索信息，并提供全面和相关的答案。

结论

GraphRAG和Agentic架构代表了AI领域的重要进步，它们通过利用知识图谱和专门代理的功能来增强LLM的能力。NeoConverse是一个引人入胜的实验平台，展示了这些技术在现实世界中的应用。随着AI技术的不断发展，GraphRAG和Agentic架构有望在各个行业中发挥越来越重要的作用，从而推动更智能、更高效的AI应用。

Key Takeaways (关键要点)

• 对于简单的文本检索和摘要任务，传统RAG可能仍然有用，但当实体关系很重要时，应将其与基于图的检索相结合。
• Agentic架构允许AI系统处理复杂性、协调资源并提供结果，利用专门的工具和代理。
• NeoConverse是一个实验性平台，展示了GraphRAG和Agentic架构在实际应用中的强大功能。

如何学习大模型 AI ？

我国在AI大模型领域面临人才短缺，数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着Al技术飞速发展，预计到2025年，这一缺口将急剧扩大至400万，严重制约我国Al产业的创新步伐。加强人才培养，优化教育体系，国际合作并进，是破解困局、推动AI发展的关键。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将重要的AI大模型资料包括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免费分享出来。

2025最新大模型学习路线

明确的学习路线至关重要。它能指引新人起点、规划学习顺序、明确核心知识点。大模型领域涉及的知识点非常广泛，没有明确的学习路线可能会导致新人感到迷茫，不知道应该专注于哪些内容。

对于从来没有接触过AI大模型的同学，我帮大家准备了从零基础到精通学习成长路线图以及学习规划。可以说是最科学最系统的学习路线。

针对以上大模型的学习路线我们也整理了对应的学习视频教程，和配套的学习资料。

大模型经典PDF书籍

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路！

配套大模型项目实战

所有视频教程所涉及的实战项目和项目源码等

博主介绍＋AI项目案例集锦

MoPaaS专注于Al技术能力建设与应用场景开发，与智学优课联合孵化，培养适合未来发展需求的技术性人才和应用型领袖。

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】

为什么要学习大模型？

2025人工智能大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。

适合人群

• 在校学生：包括专科、本科、硕士和博士研究生。学生应具备扎实的编程基础和一定的数学基础，有志于深入AGI大模型行业，希望开展相关的研究和开发工作。
• IT行业从业人员：包括在职或失业者，涵盖开发、测试、运维、产品经理等职务。拥有一定的IT从业经验，至少1年以上的编程工作经验，对大模型技术感兴趣或有业务需求，希望通过课程提升自身在IT领域的竞争力。
• IT管理及技术研究领域人员：包括技术经理、技术负责人、CTO、架构师、研究员等角色。这些人员需要跟随技术发展趋势，主导技术创新，推动大模型技术在企业业务中的应用与改造。
• 传统AI从业人员：包括算法工程师、机器视觉工程师、深度学习工程师等。这些AI技术人才原先从事机器视觉、自然语言处理、推荐系统等领域工作，现需要快速补充大模型技术能力，获得大模型训练微调的实操技能，以适应新的技术发展趋势。
  

课程精彩瞬间

大模型核心原理与Prompt：掌握大语言模型的核心知识，了解行业应用与趋势；熟练Python编程，提升提示工程技能，为Al应用开发打下坚实基础。

RAG应用开发工程：掌握RAG应用开发全流程，理解前沿技术，提升商业化分析与优化能力，通过实战项目加深理解与应用。

Agent应用架构进阶实践：掌握大模型Agent技术的核心原理与实践应用，能够独立完成Agent系统的设计与开发，提升多智能体协同与复杂任务处理的能力，为AI产品的创新与优化提供有力支持。

模型微调与私有化大模型：掌握大模型微调与私有化部署技能，提升模型优化与部署能力，为大模型项目落地打下坚实基础。

顶尖师资，深耕AI大模型前沿技术

实战专家亲授，让你少走弯路

一对一学习规划，职业生涯指导

• 真实商业项目实训
• 大厂绿色直通车

人才库优秀学员参与真实商业项目实训

以商业交付标准作为学习标准，具备真实大模型项目实践操作经验可写入简历，支持项目背调

大厂绿色直通车，冲击行业高薪岗位

文中涉及到的完整版的大模型 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】