Agent中的Neo4j怎么用的【图层记忆的总体设计】

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 PG long_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)

复制代码
                  ┌─────────────────────────────────────────────┐
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:

  1. 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
  2. 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)
  3. 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
  4. 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??
  5. 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
  6. seed:图遍历的起点,seeds图召回的哪几条记忆
  7. 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
相关推荐
Sayai9 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
测试界的小码农10 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10 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ixn11 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
Magicdata大数据25 天前
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
喵本喵叁肆1 个月前
diffprivlib 中文实战教程 · 第8讲:实战——从零改造一个 DP 模型
python·neo4j·差分隐私
智码看视界1 个月前
大数据架构解析—数据血缘:从 SQL 解析到字段级溯源,搭建大数据平台数据治理底座
数据治理·neo4j·元数据·sql解析·数据血缘·datalineage·sqlglot