ai

1. GraphRAG: 使用知识图谱增强的检索生成系统 #

GraphRAG 是一个结合知识图谱 (Knowledge Graph) 与 RAG（Retrieval-Augmented Generation, 检索增强生成）的智能问答/数据分析系统。它旨在提升复杂场景下的推理能力、可解释性和知识关联性。
通过整合 Neo4j 图数据库与大语言模型（如 DeepSeek），GraphRAG 支持结构化的知识检索、多跳推理和深度信息整合，极大弥补了传统 RAG 系统在长尾知识和推理链上的不足。

核心特点：

将文本文档抽取为知识图谱（实体、关系、属性），存储于 Neo4j
提供结构化子图检索与路径发现，支持多跳知识问答
利用大模型在子图上下文基础上生成高质量、可追溯的答案
适用于企业知识管理、学术检索、信息整合分析等多种场景

技术栈：

Python，Neo4j，LangChain，DeepSeek/LLM

特点总结：

更强推理与解释：答案链路清晰
支持结构化知识与长尾实体
易于与现有知识库和 LLM 系统集成

2. 环境配置 #

uv init
uv add dotenv neo4j langchain_deepseek langchain

序号	包名	作用简介
1	dotenv	加载 `.env` 文件中的环境变量，便于安全管理配置参数
2	neo4j	Python 客户端，用于连接和操作 Neo4j 图数据库
3	langchain_deepseek	DeepSeek 相关的 LangChain 集成，支持 AI/LLM 工作流
4	langchain	构建和编排大语言模型应用（如对话机器人、问答系统）

3. 配置文件 #

3.1. config.py #

config.py

"""
1. 配置加载模块

负责加载 .env 环境变量并提供统一的配置读取方法。
"""

import os
from dotenv import load_dotenv

def load_config() -> dict:
    load_dotenv()
    return {
        "neo4j_uri": os.getenv("NEO4J_URI", "bolt://localhost:7687"),
        "neo4j_user": os.getenv("NEO4J_USER", "neo4j"),
        "neo4j_password": os.getenv("NEO4J_PASSWORD", "12345678"),
        "deepseek_api_key": os.getenv("DEEPSEEK_API_KEY", "sk-924916a162544410964397598709766a"),
        "model_name": os.getenv("DEEPSEEK_MODEL", "deepseek-chat"),
    }

3.2. pipeline.py #

pipeline.py

"""
2. GraphRAG 业务管线。
"""

from config import load_config

class GraphRAG:
    """1. 封装检索与生成的完整 GraphRAG 系统。"""

    def __init__(self, neo4j_uri: str, neo4j_user: str, neo4j_password: str, deepseek_api_key: str, model_name: str = "deepseek-chat"):
        print(neo4j_uri, neo4j_user, neo4j_password, deepseek_api_key, model_name)

def build_rag_from_env() -> GraphRAG:
    """2. 使用环境变量创建 GraphRAG 实例的便捷工厂。"""
    cfg = load_config()
    return GraphRAG(
        neo4j_uri=cfg["neo4j_uri"],
        neo4j_user=cfg["neo4j_user"],
        neo4j_password=cfg["neo4j_password"],
        deepseek_api_key=cfg["deepseek_api_key"],
        model_name=cfg["model_name"],
    )

3.3. main.py #

main.py

# 1. 命令行运行入口，用于演示完整的 GraphRAG 流程。
"""
+1. 命令行运行入口，用于演示完整的 GraphRAG 流程。
"""

# 从 pipeline 模块导入 build_rag_from_env 函数
+from pipeline import build_rag_from_env

# 定义主函数
def main():
    # 调用 build_rag_from_env 函数，启动 GraphRAG 工作流
+   build_rag_from_env()

# 判断是否以主模块运行本文件
if __name__ == "__main__":
    # 运行主函数
    main()

4. 连接Neo4j #

4.1. graph_store.py #

graph_store.py

"""
1. Neo4j 读写与检索逻辑。
"""

from typing import List, Dict, Any, Set
from neo4j import GraphDatabase

class GraphStore:
    """2. 封装 Neo4j 的节点与关系操作。"""

    def __init__(self, uri: str, user: str, password: str):
        self.driver = GraphDatabase.driver(uri, auth=(user, password))

    def close(self):
        """3. 关闭数据库连接。"""
        self.driver.close()

4.2. main.py #