开始使用 GraphRAG：Neo4j 的生态系统工具

开始使用 GraphRAG：Neo4j 的生态系统工具

https://neo4j.com/developer-blog/graphrag-ecosystem-tools/
https://neo4j.com/labs/genai-ecosystem/langchain/

Neo4j GraphRAG 生态系统工具。这些开源工具让您可以轻松开始使用基于知识图谱的 GenAI 应用程序，这有助于提高响应质量和可解释性并加速应用程序的开发和采用。

GraphRAG 将检索增强生成 (RAG)与知识图谱相结合，以解决关键的 LLM 问题，例如幻觉和缺乏特定领域的背景。知识图谱提供了 LLM 所需的上下文记忆，以便可靠地回答问题并在复杂的工作流程中充当可信代理 - 与大多数仅提供对文本数据片段的访问的 RAG 解决方案不同，GraphRAG 将结构化和半结构化信息集成到检索过程中。

这些新工具将帮助您从非结构化文本创建知识图谱，并使用该图谱（或现有图谱数据库）通过向量和图谱搜索检索生成任务的相关信息。

您可以使用这些工具启动 GenAI 开发，将它们集成到您自己的系统中，或将它们用作构建您自己的自定义实现的参考模板。当前的实现使用我们的 Python 和 Javascript LangChain 集成，但您也可以使用其他语言和框架来构建它们。

在这篇文章中，我们概述了 LLM 知识图谱构建器、NeoConverse 和 GenAI 框架集成。

快速将非结构化文本转换为知识图谱

Neo4j知识图谱生成器 看起来很神奇 —— 只需加载非结构化文本即可生成结构化图表，从而显示数据中隐藏的实体和关系。它适用于 PDF、Word 文档、YouTube 转录本、维基百科页面以及许多其他类型的非结构化文本。

如果您不熟悉图形技术，则可以使用知识图谱构建器根据熟悉的领域信息轻松创建图形。更有经验的图形开发人员可能会使用它来启动新项目。您可以在线使用图形构建器。如果您没有 Neo4j 实例，则可以创建免费的Neo4j Aura数据库。

除了提取源文档及其块和嵌入作为词汇图之外，Graph Builder 还提取实体及其关系的图并将它们连接到块。

要查看答案背后的非结构化和结构化上下文数据，您可以可视化并质疑所提取的数据。由于我们在后台为每个向量搜索结果使用 GraphRAG，因此我们可以获取相关实体并将其提供给 LLM 以生成答案。

Graph Builder 前端是一个 React 应用程序，它使用 Neo4j 设计系统（通过Needle Starter Kit）和最近发布的Neo4j 可视化库。后端使用LangChain 集成与 Neo4j 进行交互、知识图谱提取以及结合向量搜索和图检索查询的 GraphRAG 搜索。它用 Python 编写，使用 FastAPI 并作为容器在 Google Cloud Run 上运行。

您可以在自己的代码中使用 LangChain 集成来构建知识图谱，如下所示：

要了解有关知识图谱生成器的更多信息、查找源代码并观看演示视频，请查看我们的图谱生成器页面。更好的是，您可以使用自己的文件亲自尝试。您还可以在此处观看简短的演示视频：

使用自然语言查询图表

我们的 NeoConverse 工具使用现有知识图谱的结构根据用户的问题生成 Cypher 图谱查询，然后针对 Neo4j 数据库执行这些查询。这些查询结果用于生成文本或图表响应。（您可以随时测试 NeoConverse ）

以下是 NeoConverse 的流程：

• 用户选择数据集并决定是否希望以文本或图表形式显示响应。
• 用户提出问题。
• 系统从数据库中提取数据库模式，并将其与用户问题结合起来，为配置的LLM生成提示。
• LLM 生成一个 Cypher 查询来针对数据库执行。
• 查询已验证并执行。
• 查询结果与用户问题和特定提示一起发送到 LLM，以生成 markdown 文本形式的响应或图表库的配置。

NeoConverse 附带几个预配置的数据集来展示其功能。对于每个数据集，您都可以看到数据库的架构和示例问题（单击垂直省略号）。您还可以在 NeoConverse 中配置其他数据集以连接到您自己的 Neo4j 数据库。

使用您首选的 LLM 框架

Neo4j 与 Python、JavaScript、Java 和 .Net 的大多数开源 GenAI 生态系统库无缝集成。

我们已经与LangChain Python和LangChain JavaScript集成，以提供矢量和图形搜索、文本到密码、对话记忆、知识图谱构建、高级 RAG 模板等。

我们的LlamaIndex集成包括 Cypher 搜索、向量搜索、知识图谱表示和构建以及文本到 Cypher 查询。我们最近与 LlamaIndex 团队合作，对知识图谱集成进行了全面改造，使其能够构建和查询。

对于 Deepset 的Haystack，我们得到了社区对向量搜索和 Cypher 查询的宝贵贡献，我们很快将添加更多功能。

在 Java 领域，我们将向量搜索集成到Spring AI和LangChain4j中。我们还在Semantik Kernel中实现了 Neo4j 对语义记忆的支持。最后，在DSPy中，我们添加了基于 Neo4j 的检索模块，该模块利用了 Neo4j 向量索引。

许多集成页面都指向相关的入门套件实现，解释了如何在 Edgar SEC 文件数据集上构建 GraphRAG 应用程序。

提高 GraphRAG 和 GenAI 开发技能

要深入了解 Neo4j GraphRAG 工具和 GenAI 生态系统，请查看我们的GenAI 生态系统页面。

这些页面提供了有关 Neo4j GenAI 功能（如嵌入生成和向量搜索）的更多详细信息，以及有关我们与 Google（Vertex AI）、AWS（Bedrock）和 Azure（OpenAI）的云原生 GenAI 集成的信息 - 包括每项服务的视频教程。

您还将找到 GenAI 示例项目，包括 GraphRAG 演示、NeoConverse 和实际运行的知识图谱构建器，解释每个工具背后的功能。

还提供实践学习机会。我们与 Deeplearning AI 合作开设了一门知识图谱课程，指导您构建基于图谱的 GenAI 应用程序。