Neo4j笔记（五）：查询的处理流程

摘要

上一篇讲述了一篇文章如何通过LLM转换成Cypher，然后在Neo4J里运行，形成知识图谱。此篇接着上篇，继续梳理一个用户查询，如何通过图数据库以及大模型去汇总查询结果。

BTW：刚开始我尝试用langchain封装的方法，但后来发现langchaing的核心库以及对neo4j的封装，接口已经大变，很难对齐颗粒度，所以这里使用的方法是自己梳理的过程。

实现流程

整体流程图：

flowchart TD A[用户提问] --> B[获取图谱 Schema] B --> C[LLM 生成 Cypher 查询] C --> D[Neo4j 执行查询] D --> E{查询成功?} E -->|是| F[获取查询结果] E -->|否| G[返回错误信息] F --> H[LLM 增强生成] H --> I[自然语言回答] G --> I style A fill:#f9f,stroke:#333,stroke-width:2px style I fill:#9f9,stroke:#333,stroke-width:2px

详细流程说明：

sequenceDiagram participant User as 用户 participant LLM as 大语言模型 participant Neo4j as Neo4j图数据库 User->>LLM: 自然语言问题 + 图谱Schema LLM->>LLM: 生成 Cypher 查询语句 LLM-->>User: Cypher语句 User->>Neo4j: 执行 Cypher 查询 Neo4j-->>User: 返回查询结果 User->>LLM: 问题 + 查询结果 LLM->>LLM: 增强生成（总结回答） LLM-->>User: 自然语言回答

流程：

用户提问 → 2. 获取图谱结构 → 3. 生成 Cypher → 4. 执行查询 → 5. LLM 汇总回答

大模型和图数据库的连接

环境配置

创建 .env 文件：

NEO4J_URL=bolt://localhost:7687
NEO4J_USER=neo4j
NEO4J_PASSWORD=your_password
OPENAI_API_KEY=your_api_key
OPENAI_BASE_URL=https://api.deepseek.com/v1

我这里用的是Deepseek，也可以根据自己的环境选择比如豆包，或者本地Ollama，或者Microsoft Foundry。

大模型调用

from langchain_openai import ChatOpenAI

llm = ChatOpenAI(
    model="deepseek-v4-flash",
    api_key=OPENAI_API_KEY,
    base_url=OPENAI_BASE_URL,
    temperature=0  # 设为 0 提高输出确定性
)

Neo4j 连接

from langchain_neo4j import Neo4jGraph

graph = Neo4jGraph(
    url=NEO4J_URL,
    username=NEO4J_USER,
    password=NEO4J_PASS
)

第一步：文本转知识图谱

核心思想：利用 LLM 将自然语言文本转换为 Cypher 语句，自动创建知识图谱。

def text_to_knowledge_graph(text):
    prompt = f"""
请将以下文本转换为 Neo4j Cypher 语句：

文本：{text}

要求：
1. 识别实体作为节点（Person、Location、Event 等）
2. 识别关系作为边（COOPERATE_WITH、PERFORMED_AT 等）
3. 使用 MERGE 语句避免重复
4. 只输出 Cypher 语句
"""
    cypher = llm.invoke(prompt).content
    # 清理 markdown 代码块标记
    if cypher.startswith('```'):
        cypher = cypher.split('\n', 1)[1].rsplit('\n', 1)[0]
    graph.query(cypher)

正巧昨天跟苏鹏老师聊起了郭德纲，所以这里就用郭德纲和于谦来做示例。

输入文本示例：

郭德纲 1973年出生，相声演员，与于谦长期搭档，2005年爆红
于谦 1969年出生，相声演员，擅长捧哏，常年和郭德纲合作

生成的 Cypher：

MERGE (g:Person {name: '郭德纲', birth_year: 1973, occupation: '相声演员'})
MERGE (y:Person {name: '于谦', birth_year: 1969, occupation: '相声演员'})
MERGE (g)-[:COOPERATE_WITH]->(y)

生成的知识图谱

第二步：获取图谱结构

目的：获取数据库的 schema 信息，为生成准确的 Cypher 查询提供上下文。这个思路跟TEXT2SQL基本是一致的。

这里我选择的是先从APOC插件中获取图谱的schema信息，如果失败，再从Neo4j数据库中获取。由于APOC不是默认被安装的，所以目标Neo4j环境很有可能没有这个插件。

def get_graph_schema():
    # 获取节点标签
    labels = graph.query("CALL db.labels() YIELD label RETURN collect(label)")
    # 获取关系类型
    rels = graph.query("CALL db.relationshipTypes() YIELD relationshipType RETURN collect(relationshipType)")
    # 获取属性键
    props = graph.query("CALL db.propertyKeys() YIELD propertyKey RETURN collect(propertyKey)")
    
    # 尝试使用 APOC（如果安装）
    try:
        apoc_schema = graph.query("CALL apoc.meta.data()")
        return {"labels": labels, "relationships": rels, "properties": props, "apoc": apoc_schema}
    except:
        return {"labels": labels, "relationships": rels, "properties": props}

APOC 安装方法（tar包安装）：

下载对应版本的 APOC jar 文件
放入 neo4j/plugins/ 目录

修改 neo4j.conf：

apoc.enabled=true
apoc.meta.data.allowlist.all=true

重启 Neo4j

第三步：生成 Cypher 查询并汇总增强生成结果

其它方法都已经准备好，最终再通过如下方法做调度：

def query_and_summarize(question):
    # 获取图谱结构
    schema = get_graph_schema()
    
    # 生成 Cypher
    cypher_prompt = f"""
图谱结构：{schema}
用户问题：{question}
请生成 Cypher 查询语句。
"""
    cypher = llm.invoke(cypher_prompt).content
    
    # 执行查询
    result = graph.query(cypher)
    
    # LLM 汇总
    summary = llm.invoke(f"问题：{question}\n结果：{result}\n请用自然语言回答").content
    return summary

常见问题与解决方案

问题：LLM 返回带 markdown 代码块

错误信息：

Invalid input '```cypher': expected 'MATCH', 'MERGE', ...

某些模型会带一些前置和后置标记，有些不会，所以需要根据实际情况处理下。

解决方案：清理代码块标记

if cypher.startswith('```'):
    cypher = cypher.split('\n', 1)[1].rsplit('\n', 1)[0]

总结

LLM 作为翻译器：将自然语言转换为 Cypher，降低图数据库使用门槛
Schema 信息的重要性：提供结构信息能大幅提高 Cypher 生成的准确性
APOC 的价值：提供元数据查询等高级功能，但非必需
错误处理：LLM 输出可能不规范，需做好清理和验证

此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。原文来自 — 版权归原作者所有。

推荐订阅源

博客园_首页