例如项目中的RAG部分和记忆系统都用到了Neo4j数据库
两者共享同一套 "图能力基础设施"
都依赖"图作为二级索引"的思想
但图的语义模型、边的产生方式 、以及图在 Agent 中承担的职责,是两套不同的设计
注意:
1.语义模型
即图里的东西代表什么含义(包括节点的语义、边的语义...)
2.边的产生方式
不是指比如RAG系统里面有几种边(即边的名字是自己定的,这里有所不同,不是这个意思)
意思是这条边的建立条件

| 维度 | RAG 的图【Entity图】 | 记忆系统的图【Memory图】 |
|---|---|---|
| 节点标签 | (:Entity {name, type, doc_hash, chunk_id}) |
(:Memory {mem_id, content, importance}) |
| 节点是什么 | 知识实体(人/组织/概念/事件),全局唯一、跨文档共享 | 一条记忆本身,内容就存在节点里 |
| 边的来源 | LLM 抽取(语义关系) | 时序 + 向量相似度(纯编码抽取) |
| 边类型 | RELATES_TO / PART_OF / CAUSES / DESCRIBES / MENTIONS / WORKS_FOR / LOCATED_IN |
FOLLOWS / SIMILAR_TO / CAUSES / BELONGS_TO |
| 图的形状 | 语义网络(无标度、可能成环、跨文档汇聚) | 时间链 + 相似簇(FOLLOWS 是近似链表,SIMILAR_TO 是聚类边) |
| 图返回什么 | chunk_id ------ 图只是通往 chunk 的指针 |
mem_id ------ 图节点本身就是索引(内容在 Neo4j 里) |
| 图在检索里的作用 | 第三路召回源,参与 RRF 融合 | 召回后的 1 跳扩展(不改排序主力,只补召回) |
| 另外还有职责吗 | 无 | 遗忘保护(入度 ≥ 3 的记忆免于被合并/过期删除) |
| 生命周期 | 跟文档走(indexDocument / deleteDocument) |
跟记忆走(写入时建边,合并删除时 DETACH DELETE) |
| 不可用时降级为 | 双路检索(语义 + 关键词) 【即向量+ES(BM25)】 | 纯向量记忆 短期记忆和偏好记忆没有检索的设计 他们是直接全部原封不动塞给LLM |
无标度:图里节点的关系数量(度数)极不均匀
相似簇:簇 = 一堆内容语义相近的记忆节点,靠 SIMILAR_TO 边互相连在一起,形成一个抱团的群体 意思就是由于FOLLOWS形成链,但是SIMILAR_TO 边导致不是纯链
不是说记忆系统的图节点里存原对话文字吗,为啥还返回mem_id?:两者并不冲突
那记忆系统召回到底是二次取PG里面的原文还是neo4j里的原文?neo4j在记忆系统起到什么作用?
记忆检索里,Neo4j 只做一件事:把向量召回的种子做 1 跳邻居扩召回
只返回 id(即
mem_id,就是 PGlong_term_memory表的主键)统一给 0.45 分(写死为定值)
记忆检索只有两路吗?一个图的跳的检索到对应长期记忆id,还有向量检索对吗?二者怎么结合的?直接塞一起给LLM吗?这样的化为啥还要分数?
严格说,这边是"1 路召回 + 1 层图扩散",并非"两路"
图那一路不能独立成立,因为扩展的种子必须由向量给出;向量一条都没有命中时,图会静默返回空结果
记忆系统的图检索起始点是向量/词袋召回出来的
mem_id列表------它不进图找起点,起点在 JVM 内存里就算好了,Neo4j 只负责"从这些 id 往外走一跳"。图是叠在它结果上的邻居扩散,作用是补召回,不是独立通道
召回命中的转成向量后参加原来本来就是向量召回的排序一起取TopK
RAG 的图(Entity 图):2 跳,最终目的是拿到 chunk,而不只是拿到实体
记忆系统的图(Memory 图):1 跳,目的是补"相关记忆"上下文,不碰 chunk
图层在项目中的总体设计(含其他数据层顺带一起复习了吧)
┌─────────────────────────────────────────────┐
写文档 ──────────►│ RagService.ingest → TextSplitter → chunks │
└───────────────┬─────────────────────────────┘
│ HybridStore.index(同步)包含下面几步
├──► PostgreSQL :chunk 正文(**唯一真相源**)
├──► Milvus :向量
└──► Elasticsearch:BM25
│
└──► ★异步线程 "kg-index" ──► KGStore.indexDocument
└► Neo4j (:Entity / 语义边)
对话 ──────────► UnifiedAgentService
├── PreferenceMemory(内存 Map + PG)【map数据存在哪里?】
├── ShortTermMemory(内存滑动窗口 + PG chat_history)
└── GraphMemory.store(写 LTM + PG)
└── 异步线程 "graph-memory-store" ──► KGStore
└► Neo4j (:Memory / FOLLOWS|SIMILAR_TO)
读 ──────────► HybridStore.searchHybrid
├─ 路1 Milvus ─┐
├─ 路2 ES BM25 ─┼─ RRF 融合 ─► topK chunks ─► LLM 生成
└─ 路3 Neo4j ──┘ (KGStore.search)
GraphMemory.recall
├─ 向量召回 seeds(LTM,sim*0.7 + importance*0.3)
└─ kg.expandMemoryNeighbors(1 跳) ─► 合并补分 ─► 记忆注入 system prompt
👆误区汇总:
- 两个系统的图数据是存在一个库、一张表的,只是靠Label(这里有Entity、Memory两个标签)来做逻辑隔离
- 偏好 Map 在 JVM 堆的 ConcurrentHashMap 里,在PG 的
user_preferences长期存储 (很多人不理解MySQL、PG怎么存key-value格式数据,很简单啊像JSON这种就可以存) - Neo4j 语法层面:同一个标签下完全可以放 "不一样的节点" (属性不一样、语义不一样都行); 但咱们这个项目是设计为RAG只需要Entity、记忆只需要Memory
- 图层记忆遗忘保护:入度 ≥3 = 至少 3 条别的记忆指向它 为啥不能是出度?傻b:当时设计的是 旧记忆------FOLLOWS------新记忆,肯定保护新记忆啊,不然记忆越老越重视??
GraphMemory.recall是"每次用户发消息时 从成千上万条长期记忆里挑出最该给大模型看的 3 条"的那个函数- seed:图遍历的起点,seeds图召回的哪几条记忆
- 区分RRF和TopK,TopK服务于RRF,在此时项目状态TopK是定值,后续会考虑动态TopK的引入