Neo4j笔记（五）：查询的处理流程

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 TDA[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 --> Istyle A fill:#f9f,stroke:#333,stroke-width:2pxstyle I fill:#9f9,stroke:#333,stroke-width:2px

详细流程说明：

sequenceDiagramparticipant 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SchemaLLM->>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：

1. 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 ChatOpenAIllm = 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 Neo4jGraphgraph = 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）：

1. 下载对应版本的 APOC jar 文件
2. 放入 neo4j/plugins/ 目录
3. 修改 neo4j.conf：

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

4. 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 Cyphercypher_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").contentreturn 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

1. 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
2. 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
3. APOC 的价值：提供元数据查询等高级功能，但非必需
4. 错误处理：LLM 输出可能不规范，需做好清理和验证

---