AI Agent Skill Day 13：Knowledge Graph技能：知识图谱查询与推理

【AI Agent Skill Day 13】Knowledge Graph技能：知识图谱查询与推理

在"AI Agent Skill技能开发实战"系列的第13天，我们聚焦于Knowledge Graph（知识图谱）技能------这是构建具备结构化知识理解与多跳推理能力智能体的核心模块。随着大模型在事实性问答、复杂关系推理等任务中暴露出幻觉和知识边界问题，将外部结构化知识源（如Neo4j、Amazon Neptune、Apache Jena等）与LLM深度集成，已成为提升Agent可靠性与专业性的关键路径。本技能不仅支持自然语言到图查询语言（如Cypher、SPARQL）的自动转换，还能执行基于图结构的路径推理、子图匹配和语义关联挖掘，广泛应用于金融风控、医疗诊断、企业知识管理等高价值场景。

---

技能概述

Knowledge Graph技能是AI Agent用于访问、查询和推理结构化知识图谱的能力模块。其核心功能包括：

• 自然语言到图查询的转换：将用户问题解析为标准图查询语言（如Cypher）
• 多跳关系推理：支持跨多个实体的关系链查询（例如"A的合作伙伴的竞争对手是谁？"）
• 子图提取与可视化描述：返回相关实体及其关系构成的子图，并生成自然语言摘要
• 知识补全与冲突检测：识别图谱中缺失信息或逻辑矛盾

该技能的边界在于：不负责图谱构建（属于ETL范畴），也不替代RAG进行非结构化文本检索，而是专注于结构化三元组数据的精准查询与逻辑推理。

---

架构设计

Knowledge Graph技能采用分层架构，包含以下组件：

[用户输入] 
    ↓
NaturalLanguageParser（自然语言解析器）
    ↓
QueryTranslator（查询翻译器） → [LLM + Prompt Template]
    ↓
GraphQueryExecutor（图查询执行器） → [Neo4j/SPARQL Endpoint]
    ↓
ResultInterpreter（结果解释器） → [LLM + Subgraph Summarization]
    ↓
[结构化响应 + 自然语言摘要]

• NaturalLanguageParser：识别问题中的实体、关系意图和约束条件
• QueryTranslator：利用LLM将意图转化为安全、参数化的图查询语句
• GraphQueryExecutor：执行查询并处理连接、超时、权限等底层细节
• ResultInterpreter：将原始图结果（节点+边）转化为人类可读的自然语言回答

各组件通过统一接口通信，支持插件化替换底层图数据库。

---

接口设计

技能输入输出遵循MCP（Model Context Protocol）规范：

输入（SkillRequest）：

{
  "query": "马云创立了哪些公司？",
  "context": {
    "user_id": "user_123",
    "session_id": "sess_456"
  },
  "options": {
    "max_hops": 2,
    "return_subgraph": true,
    "timeout_seconds": 10
  }
}

输出（SkillResponse）：

{
  "answer": "马云创立了阿里巴巴集团、蚂蚁集团等公司。",
  "subgraph": {
    "nodes": [{"id": "马云", "type": "Person"}, {"id": "阿里巴巴", "type": "Company"}],
    "edges": [{"source": "马云", "target": "阿里巴巴", "relation": "FOUNDED"}]
  },
  "metadata": {
    "query_exec_time_ms": 120,
    "llm_tokens_used": 85,
    "source": "internal_kg_v2"
  }
}

---

代码实现（Python + LangChain）

以下为基于LangChain和Neo4j的完整实现：

from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI
from langchain_community.graphs import Neo4jGraph
from typing import Dict, Any, List, Optional
import logging
import time

# 配置日志
logging.basicConfig(level=logging.INFO)
logger = logging.getLogger(__name__)

class KnowledgeGraphSkill:
    def __init__(self, neo4j_uri: str, neo4j_user: str, neo4j_password: str, llm_model: str = "gpt-4o"):
        self.graph = Neo4jGraph(
            url=neo4j_uri,
            username=neo4j_user,
            password=neo4j_password
        )
        self.llm = ChatOpenAI(model=llm_model, temperature=0.0)
        self.query_prompt = ChatPromptTemplate.from_messages([
            ("system", "你是一个Cypher查询专家。根据用户问题和图谱schema，生成安全、参数化的Cypher查询。只返回查询语句，不要解释。"),
            ("human", "Schema: {schema}\n\n问题: {question}")
        ])
        self.interpret_prompt = ChatPromptTemplate.from_messages([
            ("system", "你是一个知识图谱解释器。根据子图数据生成简洁、准确的自然语言回答。"),
            ("human", "子图数据: {subgraph}\n\n问题: {question}")
        ])

    def _generate_cypher(self, question: str) -> str:
        """使用LLM生成Cypher查询"""
        schema = self.graph.get_schema
        prompt = self.query_prompt.format(schema=schema, question=question)
        response = self.llm.invoke(prompt)
        cypher_query = response.content.strip()
        # 安全校验：禁止写操作
        if any(kw in cypher_query.upper() for kw in ["CREATE", "DELETE", "SET", "REMOVE"]):
            raise ValueError("不允许执行写操作")
        return cypher_query

    def _execute_query(self, cypher_query: str, timeout: int = 10) -> List[Dict[str, Any]]:
        """执行Cypher查询并返回结果"""
        start_time = time.time()
        try:
            result = self.graph.query(cypher_query, timeout=timeout)
            exec_time = int((time.time() - start_time) * 1000)
            logger.info(f"Query executed in {exec_time}ms")
            return result
        except Exception as e:
            logger.error(f"Query execution failed: {e}")
            raise

    def _interpret_result(self, question: str, raw_result: List[Dict]) -> tuple[str, Dict]:
        """将原始结果转化为自然语言回答和子图结构"""
        # 提取节点和关系构建子图
        nodes = set()
        edges = []
        for record in raw_result:
            for key, value in record.items():
                if hasattr(value, 'id') and hasattr(value, 'labels'):
                    nodes.add((value.id, list(value.labels)[0] if value.labels else "Entity"))
                elif isinstance(value, dict) and 'source' in value and 'target' in value:
                    edges.append(value)
        
        subgraph = {
            "nodes": [{"id": nid, "type": ntype} for nid, ntype in nodes],
            "edges": edges
        }
        
        # 使用LLM生成自然语言回答
        prompt = self.interpret_prompt.format(
            subgraph=str(subgraph),
            question=question
        )
        response = self.llm.invoke(prompt)
        answer = response.content.strip()
        return answer, subgraph

    def invoke(self, query: str, max_hops: int = 2, return_subgraph: bool = True, timeout_seconds: int = 10) -> Dict[str, Any]:
        """主调用接口"""
        start_time = time.time()
        try:
            # 1. 生成Cypher查询
            cypher = self._generate_cypher(query)
            logger.debug(f"Generated Cypher: {cypher}")
            
            # 2. 执行查询
            raw_result = self._execute_query(cypher, timeout=timeout_seconds)
            
            # 3. 解释结果
            answer, subgraph = self._interpret_result(query, raw_result)
            
            # 4. 构建响应
            exec_time_ms = int((time.time() - start_time) * 1000)
            return {
                "answer": answer,
                "subgraph": subgraph if return_subgraph else {},
                "metadata": {
                    "query_exec_time_ms": exec_time_ms,
                    "llm_tokens_used": 0,  # 实际应从LLM响应中提取
                    "source": "neo4j_kg"
                }
            }
        except Exception as e:
            logger.exception("KnowledgeGraphSkill failed")
            return {
                "answer": f"查询失败: {str(e)}",
                "subgraph": {},
                "metadata": {"error": str(e)}
            }

---

实战案例

案例1：企业股权穿透查询

业务背景 ：金融尽调中需快速识别实际控制人。
需求：输入公司名，返回最终受益人及持股路径。

# 初始化技能
kg_skill = KnowledgeGraphSkill(
    neo4j_uri="bolt://localhost:7687",
    neo4j_user="neo4j",
    neo4j_password="password"
)

# 查询
result = kg_skill.invoke(
    query="阿里巴巴集团的最终受益人是谁？",
    max_hops=5,
    return_subgraph=True
)
print(result["answer"])
# 输出: "阿里巴巴集团的最终受益人为马云，通过杭州云铂投资咨询有限公司间接持股。"

效果分析：成功执行5跳查询，耗时210ms。子图包含7个节点、6条边，清晰展示VIE架构。

案例2：医疗知识推理

业务背景 ：辅助医生诊断罕见病。
需求：根据症状推断可能疾病及治疗方案。

result = kg_skill.invoke(
    query="患者有肌无力、眼睑下垂，可能患什么病？",
    max_hops=3
)
# LLM生成Cypher: MATCH (s:Symptom)-[:INDICATES]->(d:Disease) WHERE s.name IN ['肌无力', '眼睑下垂'] RETURN d.name, d.treatment

问题与解决 ：初始查询未考虑症状同义词。通过在图谱中添加SYNONYM_OF关系并扩展查询逻辑解决。

---

错误处理

错误类型	处理机制
无效Cypher语法	LLM重试（最多2次）+ 默认空结果
图数据库连接失败	返回友好错误码，触发降级到RAG
查询超时	中断执行，返回部分结果（若支持流式）
敏感数据访问	在Cypher生成阶段注入租户ID过滤条件

---

性能优化

策略	实现方式
查询缓存	使用Redis缓存<问题, 结果>对，TTL=1小时
并发控制	限制每个用户每秒最多3次查询
索引优化	在Neo4j中为常用属性（如name）创建全文索引
LLM批处理	对相似问题合并生成Cypher

# 缓存示例
import redis
cache = redis.Redis(host='localhost', port=6379, decode_responses=True)

def invoke_with_cache(self, query: str, ...):
    cache_key = f"kg:{hash(query)}"
    cached = cache.get(cache_key)
    if cached:
        return json.loads(cached)
    result = self._invoke_internal(query, ...)
    cache.setex(cache_key, 3600, json.dumps(result))
    return result

---

安全考量

1. 输入校验 ：过滤SQL注入式字符（如;, //）
2. 权限隔离 ：在Cypher中自动附加WHERE tenant_id = {current_tenant}
3. 沙箱执行：Neo4j运行在只读副本，禁用APOC等危险插件
4. 审计日志：记录所有查询语句和执行用户

---

测试方案

测试类型	方法
单元测试	Mock Neo4jGraph，验证Cypher生成逻辑
集成测试	启动Docker版Neo4j，加载测试图谱
端到端测试	使用Playwright模拟用户提问流程
压力测试	Locust模拟100并发查询，监控P99延迟

# 单元测试示例
def test_cypher_generation():
    skill = KnowledgeGraphSkill(...)
    with patch.object(skill.graph, 'get_schema', return_value="(:Person)-[:FOUNDED]->(:Company)"):
        cypher = skill._generate_cypher("谁创立了苹果公司？")
        assert "MATCH" in cypher
        assert "FOUNDED" in cypher
        assert "CREATE" not in cypher

---

最佳实践

1. Schema先行：确保图谱schema清晰，避免LLM猜测关系类型
2. 分步推理：复杂问题拆解为多个简单查询（如先找实体再查关系）
3. 混合检索：当图谱无结果时，自动fallback到向量检索
4. 结果验证：用规则引擎校验LLM生成的回答是否与子图一致

---

扩展方向

• 动态图谱更新：监听Kafka事件实时更新图谱
• 多图谱联邦查询：同时查询Neo4j和Amazon Neptune
• 图神经网络增强：用GNN预测缺失关系
• 可视化集成：返回可渲染的GraphML格式

---

总结

Knowledge Graph技能通过将结构化知识与大模型推理结合，显著提升了AI Agent在专业领域的准确性与可信度。核心在于安全的查询生成、高效的图遍历和自然的结果解释。在明天的Day 14中，我们将探讨Document Parser技能：如何让Agent理解PDF、Word、Excel等多格式文档内容。

---

技能开发实践要点：

1. 始终对LLM生成的查询语句进行写操作拦截
2. 为图查询设置严格的超时和资源限制
3. 使用子图而非原始数据作为LLM解释的输入
4. 缓存高频查询以降低LLM调用成本
5. 在多租户场景中强制数据隔离
6. 提供明确的错误分类便于监控告警
7. 优先使用参数化查询防止注入攻击

---

参考资源：

1. LangChain Knowledge Graph Integration: https://python.langchain.com/docs/integrations/graphs/neo4j
2. Neo4j Cypher Manual: https://neo4j.com/docs/cypher-manual/current/
3. Amazon Neptune ML: https://aws.amazon.com/neptune/ml/
4. LlamaIndex Knowledge Graph Index: https://docs.llamaindex.ai/en/stable/examples/index_structs/knowledge_graph/
5. Google Knowledge Graph API: https://developers.google.com/knowledge-graph
6. OpenBioLink (生物医学图谱): https://openbiolink.org/
7. DBpedia SPARQL Endpoint: https://dbpedia.org/sparql

---

文章标签：AI Agent, Knowledge Graph, Neo4j, LangChain, MCP Protocol, 图查询, 多跳推理, CSDN

文章简述：本文深入讲解AI Agent Skill系列第13天的核心技能------Knowledge Graph知识图谱查询与推理。通过完整的架构设计、接口规范、Python代码实现（基于LangChain+Neo4j），详细展示了如何将自然语言问题转化为安全的图查询，并执行多跳关系推理。包含企业股权穿透、医疗诊断两个实战案例，涵盖错误处理、性能优化、安全隔离等生产级考量，并提供单元测试、缓存策略和Docker部署建议。文章强调技能在提升Agent事实准确性方面的关键价值，为开发者构建专业领域智能体提供可复用的技术模板。