小白教程GraphRAG：知识图谱+大模型 LangChain实现（APOC5.21最新教程）_graphrag与大模型构建

图检索增强生成（Graph RAG）正逐渐流行起来，成为传统向量搜索方法的有力补充。这种方法利用图数据库的结构化特性，将数据以节点和关系的形式组织起来，从而增强检索信息的深度和上下文关联性。

图在表示和存储多样化且相互关联的信息方面具有天然优势，能够轻松捕捉不同数据类型间的复杂关系和属性。而向量数据库在处理这类结构化信息时则显得力不从心，它们更擅长通过高维向量处理非结构化数据。在 RAG 应用中，结合结构化的图数据和非结构化的文本向量搜索，可以让我们同时享受两者的优势，这也是本文将要探讨的内容。

构建知识图谱通常是利用图数据表示的强大功能中最困难的一步。它需要收集和整理数据，这需要对领域知识和图建模有深刻的理解。为了简化这一过程，我们开始尝试使用大型语言模型（LLM）。LLM 凭借其对语言和上下文的深刻理解，可以自动化知识图谱创建过程中的大部分工作。通过分析文本数据，这些模型能够识别实体，理解它们之间的关系，并提出如何在图结构中最佳表示这些实体。基于这些实验，我们已经将图构建模块的首个版本集成到了 LangChain 中。

首先，安装neo4j，建议还是安装neo4j，不要走安装neo4j desktop这条路，因为后续要安装APOC.

 下载neo4j：Neo4j Deployment Center - Graph Database & Analytics

解压之后记住文件位置，

设置一下环境变量（此处不讲了，有些读者反馈操作简单的就不要详细讲了）：

 java也要装一下，jdk17，不会的百度。

Java Downloads | Oracle

之后可以运行一下neo4j，是在自己的虚拟环境中运行neo4j.bat console(虚拟环境是anaconda中的graphRAG，python==3.10)，然后pip install langchain langchain-community langchain-openai langchain-experimental neo4j wikipedia tiktoken yfiles_jupyter_graphs

在运行jupyter notebook，打开enhancing_rag_with_graph.ipynb，运行后会发现有问题，缺APOC，这是neo4j的重要插件（库）。要下载对应版本，

 安装的官方文档在这儿：

Installation - APOC Documentation

如果找不到apoc-5.21.0-core.jar文件（光有extended文件不行），

可以通过这个链接下载：https://github.com/neo4j/apoc/releases/download/5.21.0/apoc-5.21.0-core.jar