一、前述

传统的问答系统要么基于关键词匹配（答非所问），要么基于向量检索（缺乏逻辑推理能力）。

而知识图谱+大模型的组合，正好解决了这个问题：

• Neo4j 存储结构化知识，能回答"关系的逻辑"
• DeepSeek 负责自然语言理解和生成，能看懂问句、组织答案
• LangChain 在中间做"翻译官"，把自然语言转成 Cypher 查询语句

本文带你从零搭建这样一个系统。全文代码均可直接运行。

---

二、环境准备

2.1 安装 LangChain 相关依赖

pip 
install
--upgrade
--quiet
 langchain langchain-community langchain-openai neo4j

2.2 安装 Neo4j 图数据库

1. 访问 Neo4j 部署中心
2. 下载 neo4j-community-5.26.4 版本
3. 解压到任意目录（例如 D:\neo4j）

2.3 安装 APOC 插件（增强 Neo4j 功能）

APOC 是 Neo4j 的扩展工具包，提供了大量实用函数。

1. 从 APOC 发布页 下载 apoc-5.26.6-core.jar
2. 将该文件复制到 Neo4j 安装目录下的 plugins 文件夹
3. 修改 Neo4j 配置文件 \conf\neo4j.conf，在末尾添加以下两行：

dbms.security.procedures.unrestricted
=
apoc.*
dbms.security.procedures.allowlist
=
apoc.*

2.4 启动 Neo4j

打开命令行，进入 Neo4j 安装目录的 \bin 文件夹，运行：

neo4j console

看到 Started 字样说明启动成功，浏览器访问 http://localhost:7474 即可查看。

---

三、核心代码实现

3.1 导入依赖并配置环境变量

import getpassimport osfrom langchain.chains importGraphCypherQAChainfrom langchain_openai importChatOpenAIfrom langchain_community.graphs importNeo4jGraphos.environ["OPENAI_API_KEY"]="您的DeepSeek API 秘钥"os.environ["NEO4J_URI"]="bolt://localhost:7687"os.environ["NEO4J_USERNAME"]="neo4j"os.environ["NEO4J_PASSWORD"]="您的Neo4j密码"

3.2 初始化 LLM（大语言模型）

这里使用 DeepSeek 作为底层大模型，因为它便宜、快，且代码理解能力很强。

llm =ChatOpenAI(    model='deepseek-chat',    base_url="https://api.deepseek.com/v1")

3.3 连接 Neo4j 并构建知识图谱

llm =ChatOpenAI(    model='deepseek-chat',    base_url="https://api.deepseek.com/v1")graph =Neo4jGraph()# Import movie informationmovies_query ="""LOAD CSV WITH HEADERS FROM 'https://raw.githubusercontent.com/tomasonjo/blog-datasets/main/movies/movies_small.csv' AS rowMERGE (m:Movie {id:row.movieId})SET m.released = date(row.released),    m.title = row.title,    m.imdbRating = toFloat(row.imdbRating)FOREACH (director in split(row.director, '|') |     MERGE (p:Person {name:trim(director)})    MERGE (p)-[:DIRECTED]->(m))FOREACH (actor in split(row.actors, '|') |     MERGE (p:Person {name:trim(actor)})    MERGE (p)-[:ACTED_IN]->(m))FOREACH (genre in split(row.genres, '|') |     MERGE (g:Genre {name:trim(genre)})    MERGE (m)-[:IN_GENRE]->(g))"""#用Loadcsv 在线下载并构建电影知识图谱数据graph.query(movies_query)graph.refresh_schema()#刷新schema

3.4 构建问答链并提问

chain =GraphCypherQAChain.from_llm(graph=graph,allow_dangerous_requests=True,llm=llm, verbose=True)response = chain.invoke({"query":"电影《Casino》的演员阵容是怎样的？"})#提问print(response)#回答

四、运行结果

程序执行过程中，LangChain 会自动将自然语言转换为 Cypher 查询语句：

生成的 Cypher 查询：

MATCH
(
p
:
Person
)
-
[
:
ACTED_IN
]
->
(
m
:
Movie
{
title
:
'Casino'
}
)
RETURN
 p
.
name

从 Neo4j 中查到的原始数据：

[
{
'p.name'
:
 'James Woods'
}
,
{
'p.name'
:
 'Joe Pesci'
}
,
{
'p.name'
:
 'Robert De Niro'
}
,
{
'p.name'
:
 'Sharon Stone'
}
]

最终输出的自然语言答案：

电影《Casino》的演员阵容包括詹姆斯·伍兹（James Woods）、乔·佩西（Joe Pesci）、罗伯特·德尼罗（Robert De Niro）和莎朗·斯通（Sharon Stone）。

---

五、完整代码

import getpassimport osfrom langchain.chains importGraphCypherQAChainfrom langchain_openai importChatOpenAIfrom langchain_community.graphs importNeo4jGraphos.environ["OPENAI_API_KEY"]="您的DeepSeek API 秘钥"os.environ["NEO4J_URI"]="bolt://localhost:7687"os.environ["NEO4J_USERNAME"]="neo4j"os.environ["NEO4J_PASSWORD"]="您的Neo4j密码"llm =ChatOpenAI(    model='deepseek-chat',    base_url="https://api.deepseek.com/v1")graph =Neo4jGraph()# Import movie informationmovies_query ="""LOAD CSV WITH HEADERS FROM 'https://raw.githubusercontent.com/tomasonjo/blog-datasets/main/movies/movies_small.csv' AS rowMERGE (m:Movie {id:row.movieId})SET m.released = date(row.released),    m.title = row.title,    m.imdbRating = toFloat(row.imdbRating)FOREACH (director in split(row.director, '|') |     MERGE (p:Person {name:trim(director)})    MERGE (p)-[:DIRECTED]->(m))FOREACH (actor in split(row.actors, '|') |     MERGE (p:Person {name:trim(actor)})    MERGE (p)-[:ACTED_IN]->(m))FOREACH (genre in split(row.genres, '|') |     MERGE (g:Genre {name:trim(genre)})    MERGE (m)-[:IN_GENRE]->(g))"""#用Loadcsv 在线下载并构建电影知识图谱数据graph.query(movies_query)graph.refresh_schema()#刷新schemachain =GraphCypherQAChain.from_llm(graph=graph,allow_dangerous_requests=True,llm=llm, verbose=True)response = chain.invoke({"query":"电影《Casino》的演员阵容是怎样的？"})#提问print(response)#回答

六、总结

通过以上不到 50 行核心代码，我们实现了：

组件	作用
Neo4j	存储电影、人物、类型等实体及关系
DeepSeek	理解自然语言问题 + 生成流畅答案
LangChain	自动将问题转成 Cypher 查询，连接 NLU 和 DB

这个方案的亮点在于：你不需要写任何 Cypher 语句，只需用自然语言提问，系统自动完成查询和回答。

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

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】