neo4j/neo4j-graphrag-python

解决的问题

标准的检索增强生成 (RAG) 通常仅依赖于向量相似性，这可能会忽略实体之间的复杂关系。该软件包使开发人员能够实现 GraphRAG，将 Neo4j 知识图谱的结构化关系能力与 LLM 的生成能力相结合，从而提供更准确且具备上下文感知能力的回答。

工作原理

该库提供了使用 LLM 驱动的流水线从非结构化文本或 PDF 构建知识图谱的工具。它支持多种检索策略，包括向量相似性搜索、图遍历以及结合两者的混合方法。它与主要的 LLM 提供商（如 OpenAI、Anthropic 和 MistralAI）以及向量数据库（如 Weaviate、Pinecone 和 Qdrant）集成，以促进端到端的 RAG 工作流。

适用对象

想要利用结构化知识图谱来增强其基于 LLM 的系统的准确性和推理能力的构建高级 GenAI 应用程序的 Python 开发人员。