从RAG到GraphRAG：用Neo4j构建知识图谱， 让知识库真正"活"起来

引言：当知识库"答非所问"

想象这样一个场景：你是一家跨境电商的数据分析师，老板问你——"采购商A和采购商B是不是同行？他们有没有共同的供应商？哪些商品他们都在采购？"

你打开公司的知识库（一个基于RAG的问答系统），输入这个问题。系统返回了一段看似通顺但答非所问的文字："采购商是企业供应链中的重要角色，采购商之间的关系包括竞争关系和合作关系……"

问题出在哪里？传统RAG擅长语义匹配，但不擅长关系推理。它可以从文档中找到包含"采购商"关键词的段落，但无法回答"A和B是否有共同供应商"这种多跳关系查询。

这正是知识图谱的用武之地。而Neo4j，作为全球最流行的图数据库，是构建知识图谱的首选工具。当知识图谱与知识库结合，就诞生了2024-2025年最热的AI技术方向之一——GraphRAG。

一句话说清：传统RAG是"搜文档"，GraphRAG是"搜文档 + 查关系"。前者给你文字片段，后者给你结构化答案。

1Neo4j构建知识图谱实战：从数据到图谱

很多读者对知识图谱的印象停留在"学术概念"，觉得离工程落地很远。实际上，用Neo4j构建知识图谱的流程非常务实：设计关系模型 → 数据加工 → 导入图数据库 → Cypher查询。下面以一个真实的采购商分析系统为例，走完全流程。

1.1 数据处理流程：从多源数据到关系模型

采购商知识图谱的数据来源通常包括三类：海关交易数据、采购商公司信息、社媒信息。这三类数据分散在不同的表中，需要通过关联字段拼接成一张"宽表"，再从中提取关系模型。

整个数据加工链路的核心逻辑是：用置信度字段（confidence_degree）控制关联质量。当置信度等于100%时，海关表中的采购商与公司表中的记录是唯一关联；当置信度等于0时，表示无关联。这种设计在工程上非常实用——你可以根据业务需要，只使用高置信度的数据构建图谱，保证图谱质量。

1.2 知识图谱的节点与关系设计

在上述数据处理流程的基础上，知识图谱的节点和关系模型设计如下：

1.3 数据导入Neo4j的三种方法

数据加工完成后，需要导入Neo4j。实际工程中有三种主流方法，各有适用场景：

在采购商知识图谱项目中，技术方案采用的是第三种方法：将宽表数据导出为CSV格式，利用Neo4j自带的import命令批量导入。这是处理百万级采购商和供应商数据时的最佳选择。

以下是LOAD CSV方式导入节点和关系的代码示例，适合中小规模数据：

1.4 Cypher查询：让图谱"说话"

数据导入完成后，就可以用Cypher查询语言进行关系分析了。以下是技术方案中的两个典型查询场景：

场景1：输入商品名称，查询采购商并分析同行

场景2：输入邮箱，反查采购商并找到同行

关键洞察：第二个查询中的三跳关系链（Email → Website → Commodity → Website）就是知识图谱的核心价值——传统RAG根本无法回答"通过邮箱找到同行采购商"这种多跳推理问题。

2知识库 + 知识图谱如何结合：GraphRAG架构

上面我们用Neo4j构建了知识图谱，但知识图谱本身只存储结构化关系，无法处理自然语言问答。而知识库（RAG）擅长语义匹配但不懂关系推理。两者的结合——GraphRAG——就是"取两者之长"的方案。

2.1 传统RAG的局限：为什么需要图谱？

传统RAG的工作流程是：文档分块 → 向量化 → 用户提问时语义匹配最相关的文本块 → LLM生成答案。这个流程在"事实问答"场景下效果很好，但在以下场景中力不从心：

• 多跳推理：
  "采购商A和采购商B的共同供应商是谁？"——答案分布在多个文档中，需要跨文档关联。
• 关系链查询：
  "从邮箱X出发，能找到哪些同行采购商？"——需要图遍历，而非文本匹配。
• 全局视角：
  "户外家具行业里，哪些采购商最活跃？"——需要聚合统计，而非片段检索。
• 可解释性：
  用户想知道"为什么说A和B是同行？"——需要展示关系链路，而非一段文字。

2.2 GraphRAG：让RAG"长出关系大脑"

GraphRAG的核心思想是：在传统RAG的向量检索基础上，增加一层图检索。具体来说，用户提问后，系统同时做两件事：

1. 向量检索：
   从知识库中找到语义相关的文本片段（传统RAG的能力）。
2. 图检索：
   从知识图谱中找到相关实体及其关系子图（知识图谱的能力）。

然后将两部分结果合并，作为上下文一起喂给LLM，生成最终答案。

2.3 结合的具体方式：三种集成路径

知识库与知识图谱的结合并非只有一种方式，根据技术深度和资源投入，可以分为三种路径：

个人使用过neo4j,学习成本还是有的，实践建议：如果你刚起步，从"路径一"开始验证价值，再逐步升级到"路径二"或"路径三"。不要一上来就追求最复杂的架构——GraphRAG的构建成本不低，先证明业务价值再加大投入。

3市面上有哪些开源项目？

2024-2025年，GraphRAG领域爆发式增长，涌现了大量优秀的开源项目。下面按"开箱即用程度"从高到低盘点主流项目。

3.1 第一梯队：全栈框架

① RAGFlow ⭐ 63.7k 推荐首选

目前GitHub上Star最多的RAG引擎，63.7k星。RAGFlow内置了GraphRAG模块，支持两种实体抽取模式：Light模式（基于LightRAG，快速高效）和General模式（基于Microsoft GraphRAG，全面细致）。它将图谱组件存储在Elasticsearch/Infinity中，支持实体抽取、关系检测、图合并、实体消歧和社区检测。对于想要"一站式"体验知识库+知识图谱的团队，RAGFlow是首选。

② Microsoft GraphRAG ⭐ 27.9k

微软官方出品的GraphRAG参考实现。核心创新是"社区检测"——用Leiden算法将实体聚类为社区，生成社区摘要，实现全局视角的问答。适合需要深度推理和全局分析的场景，但索引成本较高。

③ Langchain-Chatchat ⭐ 36k 中文友好

基于LangChain的本地知识库RAG问答系统，36k星，中文社区最活跃的项目之一。支持知识图谱构建和GraphRAG查询，对中文文档处理效果优秀，是国内团队的首选之一。

3.2 第二梯队：轻量框架

④ LightRAG ⭐ 20.4k 性价比之王

香港大学团队出品的轻量级GraphRAG框架。创新点是"双粒度索引"（实体级+文本块级）和"动态图构建"（只对当前查询相关文档构建子图）。内存占用减少70%，响应速度提升5-10倍，支持Neo4j、NetworkX、PostgreSQL多种图后端，还能和Ollama本地模型无缝集成。适合没有GPU集群的小团队。

⑤ Neo4j GraphRAG Python包 ⭐ 1.2k

Neo4j官方出品的Python库，提供完整的GraphRAG开发能力。核心组件包括：知识图谱构建管道（SimpleKGPipeline）、多种检索器（VectorRetriever、GraphRetriever、HybridRetriever、Text2CypherRetriever）。支持OpenAI、Ollama、Google、Anthropic等多家LLM提供商，以及Weaviate、Pinecone、Qdrant等向量数据库。适合已经在用Neo4j的团队。

⑥ nano-GraphRAG ~800行

仅约800行Python代码的极简GraphRAG实现，支持异步操作和易于扩展。适合学习GraphRAG原理和快速原型验证，不建议用于生产环境。

3.3 第三梯队：工具与生态

⑦ LLM Knowledge Graph Builder Neo4j官方工具

Neo4j推出的开源工具，可以将PDF、Word文档、YouTube字幕、Wikipedia页面等非结构化文本自动转换为知识图谱。背后使用LangChain的LLMGraphTransformer进行实体和关系抽取。适合快速将文档库转化为图谱，作为GraphRAG的数据基础。

⑧ NeoConverse 自然语言查询

Neo4j推出的自然语言查询工具，用户用自然语言提问，系统自动生成Cypher查询并执行，返回文本或图表形式的答案。适合不熟悉Cypher但需要查询知识图谱的业务人员。

⑨ Fast-GraphRAG 面向Agent

专为Agent驱动的检索工作流设计，强调效率、可解释性和高准确性。适合教育工具、研究数据分析等需要透明知识管理的场景。

以上说明来自通用的官方说明对比，以下是我个人使用的一些建议，目前 RAGFlow中自带知识库和知识图谱，可以开通知识图谱识别，然后再往知识库里面添加文档的时候，会自动生成知识图谱，但是这个里面实体名称可以选择，其它变量和关系是不可以自己生成，另外系统自动生成的知识图谱其实质量不是很高，调整起来相对比较麻烦，如果自己生产系统还是建议自己采用Neo4j构建知识图谱，这种构建的知识图谱质量高很多，可以和知识库一同使用，达到较好的效果。

4实战案例：采购商智能分析系统

理论讲完了，让我们回到真实的业务场景。以下是一个基于上述技术方案的采购商智能分析系统案例，展示知识库+知识图谱如何协同工作。

4.1 业务背景

某跨境电商数据公司积累了大量海关交易数据、采购商公司信息和社媒数据。业务团队的核心需求是：

• 同行分析：
  给定一个采购商，找出他的同行（采购相同或相似商品的采购商）。
• 供应链洞察：
  分析采购商的供应商网络，发现潜在的合作或竞争关系。
• 商品趋势：
  某行业内哪些商品采购频次最高？哪些采购商最活跃？
• 智能问答：
  业务人员用自然语言提问，系统返回结构化答案+关系链路。

4.2 系统架构设计

4.3 典型查询场景演示

场景：业务人员问"bedroom bed这个商品的采购商有哪些？他们的同行是谁？"

步骤1：GraphRAG引擎解析问题

系统识别出这是一个关系查询问题，同时启动两条检索路径：

• 向量检索：
  在知识库中搜索"bedroom bed"相关的产品资料、行业报告文本片段。
• 图检索：
  在Neo4j中执行Cypher查询，找到"bedroom bed"商品的所有采购商及其同行。

步骤2：Cypher图查询

步骤3：LLM融合生成答案

系统将向量检索返回的产品资料文本和图检索返回的关系子图合并，喂给LLM生成最终答案：

注意这段回答中：采购商数量、同行关系、共享供应商、采购量统计来自知识图谱；行业趋势分析来自知识库；LLM负责将两者融合成通顺的自然语言。这就是GraphRAG的价值——结构化数据和非结构化知识的无缝融合。

4.4 价值量化

5总结与展望

从本文的采购商案例可以看出，知识库和知识图谱不是"二选一"的关系，而是"1+1>2"的协同关系：

• 知识库（向量检索）
  解决"语义相关性"问题——找到与用户问题相关的文本片段。
• 知识图谱（图检索）
  解决"关系推理"问题——回答多跳查询、关联发现、链路追踪。
• GraphRAG
  将两者融合，让AI既能"读懂文字"又能"推理关系"。

Neo4j作为图数据库的事实标准，是构建知识图谱的最佳选择。从数据处理到CSV导入再到Cypher查询，整个流程已经非常成熟。而开源生态的爆发（RAGFlow、LightRAG、Microsoft GraphRAG、Neo4j GraphRAG Python包等）大大降低了GraphRAG的落地门槛。