使用 Qdrant 和 Neo4j 的 GraphRAG
内容提要
本文介绍用 Neo4j 与 Qdrant 构建 GraphRAG 智能体的方法。传统 RAG 难以处理复杂信息关联，GraphRAG 通过知识图谱增强上下文，但纯 LLM 方案成本高、可扩展性差。该架构分两阶段：摄入阶段用 LLM 抽取实体关系存入 Neo4j，文本向量存入 Qdrant，通过共享 ID 关联；检索生成阶段先进行向量语义搜索，再据 ID 获取图谱上下文，交由 LLM 生成答案。二者结合可提升召回率、精度与复杂查询能力。
延伸解读
GraphRAG 的挑战与混合架构的应对
文章指出，纯 LLM 驱动的 GraphRAG 存在知识图谱构建不一致、查询翻译不准确、可扩展性差和成本高等问题。Neo4j 与 Qdrant 的混合架构通过向量搜索处理语义相似性，图数据库提供关系上下文，减少对 LLM 的依赖，从而提升效率与准确性。
两阶段流程：摄入与检索生成
摄入阶段，LLM 从原始数据抽取实体关系存入 Neo4j，同时嵌入模型生成向量存入 Qdrant，两者通过共享 ID 关联。检索阶段，用户查询先经向量语义搜索，再根据 ID 从图数据库获取关系上下文，最后交由 LLM 生成答案。这种设计兼顾语义召回与结构化推理。
实际实现中的关键步骤
教程使用 OpenAI 的 gpt-4o 进行关系抽取，text-embedding-3-small 生成嵌入，并利用 neo4j_graphrag 包的 QdrantNeo4jRetriever 简化检索。代码示例展示了从环境配置、数据摄入到端到端查询的完整流程，为开发者提供了可复用的模板。
优势与适用场景
该架构在召回率与精度、上下文理解、复杂查询适应性和成本可扩展性方面具有优势。尤其适合需要多跳推理和关系挖掘的场景，如文档分析、知识管理。文章也提到，对于特定数据集，使用 NER 替代 LLM 可进一步降低成本。
Q&A
GraphRAG 和传统 RAG 有什么区别？
传统 RAG 主要依赖文档检索，难以处理复杂的信息关联和整体概念理解。GraphRAG 则构建知识图谱来捕捉实体及其关系，能够跟随关系链回答复杂查询，提供更深层的上下文理解，从而生成更准确、相关的回答。
用 Neo4j 和 Qdrant 构建 GraphRAG 的架构是怎样的？
架构分为两个阶段：摄入阶段，用 LLM 从原始数据中抽取实体和关系存入 Neo4j，同时将文本向量存入 Qdrant，两者通过共享的唯一 ID 关联；检索与生成阶段，先将用户查询向量化，在 Qdrant 中进行语义搜索，提取相关 ID 后查询 Neo4j 获取图谱上下文，最后将上下文交给 LLM 生成答案。
GraphRAG 中如何将 Neo4j 和 Qdrant 关联起来？
通过共享唯一 ID 进行关联。在摄入阶段，为每个实体节点分配唯一 ID，存入 Neo4j 时使用该 ID 作为节点属性；同时将文本向量存入 Qdrant 时，在 payload 中存储对应的节点 ID。检索时，从 Qdrant 搜索结果中提取这些 ID，再用它们查询 Neo4j 获取图谱上下文。
GraphRAG 的摄入阶段具体包含哪些步骤？
摄入阶段包括：1) 原始数据准备；2) 用 LLM 抽取本体（实体、关系、层次结构）；3) 将本体存入图数据库（如 Neo4j）；4) 用嵌入模型将原始数据转换为向量；5) 将向量存入向量数据库（如 Qdrant）；6) 通过共享唯一 ID 将图数据库和向量数据库互连。
GraphRAG 的检索与生成阶段是如何工作的？
检索与生成阶段包括：1) 将用户查询向量化；2) 在向量数据库中进行语义相似性搜索，检索相关文档；3) 从搜索结果中提取实体 ID；4) 用这些 ID 查询图数据库，获取相关实体和关系的上下文；5) 将图谱上下文传递给 LLM 生成最终回答；6) 返回回答给用户。
使用 Neo4j 和 Qdrant 的 GraphRAG 有哪些优势？
优势包括：1) 提高召回率和精度，结合向量搜索和关系检索；2) 增强上下文理解，通过图结构建模实体关系；3) 适应复杂查询，支持多跳推理；4) 更好的成本与可扩展性，用向量搜索替代 LLM 进行局部搜索，减少对 LLM 的依赖。
GraphRAG 面临哪些挑战？
挑战包括：1) 用 LLM 构建知识图谱可能引入不一致、偏见或错误，且缺乏本体控制；2) 用 LLM 查询知识图谱时，将自然语言转为 Cypher 查询可能不准确；3) 可扩展性和成本问题，因为每次数据添加、查询或生成都需要调用 LLM。
如何用代码实现 GraphRAG 的端到端流程？
实现步骤：1) 设置 Neo4j 和 Qdrant 实例并初始化客户端；2) 定义数据模型和 LLM 解析函数，从原始数据抽取图组件；3) 将节点和关系摄入 Neo4j；4) 创建 Qdrant 集合，生成嵌入并摄入向量；5) 构建检索器，结合向量搜索和图查询；6) 获取相关子图并格式化上下文；7) 将上下文和用户查询组合成提示，调用 LLM 生成答案。
