Neo4j 超详细入门

Neo4j 是全球最主流、原生高性能属性图数据库 ,专门存储节点 - 关系 - 属性 的图结构数据,是 GraphRAG、知识图谱、多跳推理系统的标准底层存储底座。

一、核心定义与数据模型

1. 原生图数据库

底层物理存储就是图结构,不是 MySQL 套图插件,遍历多跳关系毫秒级,远超关系型数据库 JOIN 查询。

2. 三大核心元素(属性图标准)

  • 节点 Node:实体(人物、技术、文档、代码模块、概念)
  • 关系 Relationship:实体关联(属于、调用、依赖、合作、引用)
  • 属性 Property:节点 / 关系附带键值信息(描述、时间、来源、向量)

3. 查询语言:Cypher

类 SQL 语法、可视化图匹配,专门做路径遍历、多跳查询

复制代码
# 查找A依赖的所有2跳技术路径
MATCH (a:Code)-[:DEPENDS]->(b)-[:USES]->(c) RETURN a,b,c

二、核心优势(对比 MySQL / 向量库)

  1. 多跳关系极速查询 MySQL 多层 JOIN 指数变慢;Neo4j 天生邻接存储,N 跳关联毫秒返回,完美适配 GraphRAG 多跳推理。
  2. 结构灵活无表约束不用建表、不用外键,新增实体 / 关系无需改库结构,适配文档动态抽取知识图谱。
  3. 企业级稳定 支持ACID 事务、集群高可用、持久化、备份恢复,可上生产环境。
  4. 可视化 + 图算法自带 Neo4j Browser 图形可视化;内置路径、聚类、社区发现算法,匹配 GraphRAG 社区分层检索。
  5. AI 生态无缝打通 原生适配 LlamaIndex、LangChain、微软 GraphRAG,一键做文本→知识图谱→图检索 RAGNeo4j。

三、Neo4j 在 GraphRAG 里的角色(你项目核心)

传统 RAG:向量库 → 文本块语义匹配GraphRAG:Neo4j(知识图谱)+ 向量库 双存储

  1. LlamaIndex 从文档抽取实体 + 关系,写入 Neo4j 构建属性图
  2. 用户提问 → LLM 转 Cypher → Neo4j 做多跳路径检索
  3. 结合向量语义召回 + 图结构化关联,拼接上下文给 LLM
  4. 输出可溯源、可推理、低幻觉的问答结果Neo4j

四、Neo4j vs 向量数据库(Milvus/Chroma)

表格

对比项 Neo4j 图数据库 向量数据库
存储单元 节点、关系、路径 文本向量
擅长能力 关系推理、多跳链路、全局关联 语义相似度模糊匹配
GraphRAG 定位 结构化知识底座 语义补充检索
幻觉控制 极强(显式关系约束) 一般
适用场景 复杂代码依赖、论文引用、企业关联知识 普通文档问答、摘要

五、LlamaIndex + Neo4j 极简实战代码

复制代码
# 安装依赖
pip install llama-index llama-index-graph-stores-neo4j

# 连接Neo4j + 构建知识图谱索引
from llama_index.graph_stores.neo4j import Neo4jPropertyGraphStore
from llama_index.core import PropertyGraphIndex, SimpleDirectoryReader

# 连接本地Neo4j
graph_store = Neo4jPropertyGraphStore(
    url="bolt://localhost:7687",
    username="neo4j",
    password="你的密码"
)

# 加载文档→自动抽实体关系→写入Neo4j
docs = SimpleDirectoryReader("./code_docs").load_data()
index = PropertyGraphIndex.from_documents(docs, graph_store=graph_store)

# 图检索问答(多跳推理)
query_engine = index.as_query_engine()
print(query_engine.query("这个模块依赖哪些底层组件?调用链路是什么"))

六、典型落地场景

  • GraphRAG 企业知识库、学术论文关联图谱
  • 代码依赖图谱、项目架构溯源(你的 CodeFlow-AI)
  • 社交网络、风控关联链路、供应链上下游
  • 法律法条关联、医疗疾病因果推理
相关推荐
Pniubi2 天前
Agent中的Neo4j怎么用的【图层记忆的总体设计】
neo4j
Sayai11 天前
Neo4j 图数据质量检查实战:环路检测、孤立节点与连通分量,两条 Cypher 引出的数据体检清单(含变长路径性能陷阱)
运维·neo4j·图数据库·数据质量·cypher
底层玩家老张12 天前
一次多跳查询的复盘:图不搬出库,GraphRAG 怎么落地
知识图谱·graphrag·ai数据库·语义层·数据库内核
测试界的小码农12 天前
【图数据库实战进阶(01):从零认识 Neo4j,搭建第一个图数据库项目】
数据库·neo4j
测试界的小码农12 天前
【图数据库实战进阶(03):Neo4j 图数据建模实战——节点、关系与属性应该怎么设计?】
数据库·oracle·neo4j
小林ixn13 天前
GraphRAG 实战:用 Neo4j 知识图谱,让 RAG 从“找货“进化到“梳理关系“
人工智能·知识图谱·neo4j
救救孩子把1 个月前
LangGraph 工程化架构:类型、状态、流式通信与可观测性
架构·agent·trace·opentelemetry·langgraph·graphrag
Magicdata大数据1 个月前
AI辅助教学:调用大模型从教材中生成习题,方便学员练习
java·spring boot·大模型·知识图谱·neo4j·ai辅助教学
星川皆无恙1 个月前
基于知识图谱的百科问答系统:Django + Neo4j 与实现
人工智能·python·机器学习·自然语言处理·django·知识图谱·neo4j
Sayai1 个月前
Neo4j 社区版高可用实战:DRBD 块级复制 + Keepalived 虚拟 IP 冷备切换(附启停 SOP 与脑裂防范)
运维·neo4j·keepalived·高可用·drbd