neo4j/neo4j-graphrag-python

Neo4j GraphRAG Python 包

它是什么 – 一个官方 Python 库，让你在 Neo4j 数据库之上构建图检索增强生成（GraphRAG）应用。它提供将原始文本或 PDF 转换为知识图谱的流水线、创建和填充向量索引的工具，以及一组结合向量相似性和图遍历的检索器。该库附带许多 LLM 提供商的适配器（OpenAI、Anthropic、Ollama 等），并可选集成外部向量存储，如 Weaviate、Pinecone 和 Qdrant。

主要功能

知识图谱构建 – Pipeline（功能完整）和 SimpleKGPipeline（易于上手）类，使用 LLM 提取实体/关系，嵌入它们，并写入 Neo4j。支持文本和 PDF 源。
向量索引 – 辅助函数用于创建 Neo4j 向量索引和更新嵌入。
混合检索 – 内置 VectorRetriever 和其他检索器，将近似最近邻搜索与图遍历相结合，以提供更丰富的上下文。
RAG 执行 – GraphRAG 类将检索器与 LLM 绑定，提供简单的 search(query_text, ...) API，返回生成的答案。
可插拔的 LLM/嵌入后端 – 可选附加组件（openai、anthropic、google-genai、mistralai 等）让你选择偏好的模型提供商。
实验性知识图谱构建工具 – 在 experimental 命名空间下提供额外的流水线和解析器（例如，基于 spaCy 的语义匹配、模糊匹配）。

安装

# 从 PyPI
pip install neo4j-graphrag

# 或通过 conda-forge
conda install -c conda-forge neo4j-graphrag

为所需的 LLM 添加可选附加组件，例如 pip install "neo4j-graphrag[openai]"。

典型工作流程

运行 Neo4j（安装 APOC 库）。
创建知识图谱 – 使用 SimpleKGPipeline（或更可配置的 Pipeline）输入原始文本/PDF，指定节点/关系模式，让 LLM 提取和嵌入实体。
创建向量索引 – 在 Chunk 标签（或你存储嵌入的任何标签）上使用 create_vector_index 创建向量索引。
填充索引 – 使用 upsert_vectors 填充嵌入。
查询 – 实例化 VectorRetriever、LLM 包装器（例如 OpenAILLM）和 GraphRAG 对象，然后用自然语言问题调用 search()。

文档与示例

完整文档：https://neo4j.com/docs/neo4j-graphrag-python/
博客教程涵盖知识图谱构建、混合检索和 Text2Cypher 检索器。
丰富的 examples/ 文件夹包含每个步骤的现成脚本。

开发与贡献

使用 uv 工具进行依赖管理；运行 uv sync --group dev 设置开发环境。
使用 Ruff（lint）和 MyPy（类型检查）保证代码质量。
贡献需要签署 Neo4j 的 CLA。

适用人群

希望用结构化图上下文增强 LLM 响应的数据工程师或机器学习工程师。
已经使用 Neo4j 并需要无缝桥接到生成式 AI 的团队。
探索结合向量相似性和图语义的混合检索策略的研究人员。

所有细节均直接取自仓库的 README；未推断任何额外功能。

neo4j/neo4j-graphrag-python

Neo4j GraphRAG Python 包

相关