Neo4j

Neo4j 是开源原生图数据库：数据以**节点（Node）和关系（Relationship）**存储，关系是一等公民，多跳遍历、路径查询比关系型数据库 JOIN 更自然。通用数据库选型见数据库；与 [GraphRAG 概览与查询](/docs/ai/RAG/GraphRAG 概览与查询) 的异同见下文对比专节。

Neo4j 解决什么

痛点	Neo4j 怎么帮
多跳关系查询（好友的好友、供应链上下游）	沿边遍历，不必反复 JOIN
路径、环、子图分析	内置图算法与 Cypher 路径模式
关系频繁变化、结构不固定	schema 灵活，加边比改表结构轻
知识图谱、推荐、风控图特征	图模型与业务直觉一致

不适合：纯 KV 缓存、大宽表聚合报表、简单 CRUD 且无关系遍历——这类场景用 Redis、PostgreSQL 更合适。

核心概念

(:Person {name: 'Alice'})-[:KNOWS {since: 2020}]->(:Person {name: 'Bob'})
(:Person)-[:WORKS_AT]->(:Company {name: 'Acme'})

概念	说明
Node（节点）	实体，带标签（Label）和属性
Relationship（关系）	有向边，带类型和属性；必须连接两个节点
Label	节点分类，如 `Person`、`Company`
Property	节点/边上的键值属性
Path	节点与关系组成的遍历路径

与关系库对照：表 ≈ 标签 + 关系类型；外键 ≈ 关系边；但图库把「边」存成物理结构，遍历成本随跳数增长相对可控。

Cypher 入门

Cypher 是 Neo4j 的声明式查询语言，模式用 ASCII 图画出来：

// 创建
CREATE (a:Person {name: 'Alice'})
CREATE (b:Person {name: 'Bob'})
CREATE (a)-[:KNOWS {since: 2020}]->(b);

// 查询：Alice 认识的人
MATCH (a:Person {name: 'Alice'})-[:KNOWS]->(friend:Person)
RETURN friend.name;

// 两跳：朋友的朋友
MATCH (a:Person {name: 'Alice'})-[:KNOWS*2]->(fof:Person)
RETURN DISTINCT fof.name;

// 最短路径
MATCH path = shortestPath(
  (a:Person {name: 'Alice'})-[:KNOWS*]-(b:Person {name: 'Carol'})
)
RETURN path;

子句	作用
`MATCH`	按模式找子图
`CREATE` / `MERGE`	创建；`MERGE` 避免重复
`SET` / `REMOVE`	改属性、删属性
`DELETE`	删节点/边（需先删关系）
`RETURN`	返回结果

存储与架构（直觉）

Client → Bolt / HTTP → Neo4j DB
                         ├─ 节点存储（id → 属性）
                         ├─ 关系存储（起止节点指针 + 类型 + 属性）
                         └─ 索引 / 约束（标签+属性）

点	说明
原生图存储	关系存指针，遍历邻接快
ACID 事务	支持企业级一致性
索引	常对 `Label + 属性` 建索引加速入口点查找
集群	企业版支持因果集群、读写分离；社区版单机为主

典型场景

场景	图怎么建	查什么
社交	用户节点 + FOLLOWS / KNOWS	推荐、共同好友、影响力
供应链	产品、供应商、仓库 + SUPPLIES / STORED_IN	断供影响面、最短补货路径
风控	账户、设备、IP + OWNS / LOGGED_FROM	欺诈环、团伙识别
知识图谱	概念、文档、实体 + RELATED_TO / MENTIONS	多跳推理、子图检索
RAG 辅助	文档块、实体 + MENTIONS / CO_OCCURS	实体邻域检索（见下文与 GraphRAG 组合）

与关系库怎么选

维度	PostgreSQL / MySQL	Neo4j
数据形态	行列表	点 + 边
多跳关系	多次 JOIN，深度增加性能陡降	沿边遍历，适合 2～6 跳
事务与生态	极成熟	成熟，生态小于主流 OLTP
全文 / 向量	PG 有全文、pgvector	需外挂或配合向量库
运维习惯	团队普遍熟悉	需单独学习 Cypher 与图建模

口诀：查询核心是「谁和谁什么关系、走几步能到哪」→ 优先考虑图库；核心是聚合统计、强 schema 事务 → 关系库。

GraphRAG 与 Neo4j 对比

二者名字都带「图」，但不在同一层：GraphRAG 是 LLM 时代的文档索引与 RAG 查询方案；Neo4j 是 图数据持久化与查询引擎。可以组合，不能简单互换。

先对齐：各自是什么

名称	类型	一句话
GraphRAG	索引 + 查询流水线（Microsoft）	用 LLM 从非结构化文本自动抽实体关系、做社区摘要，再按 Global / Local 模式喂给 LLM 作答
Neo4j	图数据库	把已建模好的节点与关系存进去，用 Cypher 精确查询、更新、遍历

相似之处

维度	GraphRAG	Neo4j
数据模型	实体节点 + 关系边	节点 + 关系边
擅长的问题	实体关系、多跳邻域、跨文档结构	关系遍历、路径、子图、知识图谱
知识图谱场景	索引产物本质是「图 + 社区摘要」	业界常用的图谱存储与查询后端
与 RAG 的关系	直接为 RAG 设计（检索 → 生成）	不自带 RAG；常作检索层或业务库，需自己接 LLM

直觉：都在用「图」表达事物之间的连接；GraphRAG 的 entities / relationships 与 Neo4j 的 Node / Relationship 概念上很像。

关键区别

维度	GraphRAG	Neo4j
层级	应用层方案（建索引 + 查问答）	基础设施层（数据库）
图从哪来	LLM 从原始文档自动抽取	人工建模、ETL、或上游 NLP/GraphRAG 导入
索引产物	parquet 等文件 + 社区报告	数据库内的持久图
全局归纳	Global Search + 社区摘要，强项	需自己聚合或配合 Graph Data Science
查询语言	CLI / API，模式固定（global / local / drift）	Cypher，灵活自定义
更新方式	语料变 → 常重跑索引流水线（贵）	增删改节点边，在线事务
成本结构	索引阶段 LLM 调用多	存储与查询算力；无内置 LLM 账单
精确性	抽取有幻觉，需评测	写入什么查什么，确定性查询
向量检索	非核心（可走 DRIFT 等扩展）	需配合 Milvus 等或 Neo4j 向量索引

记忆口诀：GraphRAG = 「用 LLM 把文档变成图，再让 LLM 读图回答」；Neo4j = 「图已经在了，怎么存、怎么查、怎么更新」。

架构对照

GraphRAG 路线：
  原始文档 → LLM 抽实体/关系 → 社区检测 → 社区摘要
       → 查询时选 Global/Local → 拼 context → LLM 生成答案

Neo4j 路线：
  业务数据 / ETL / 抽取流水线 → MERGE 写入 Neo4j
       → Cypher 查子图 / 路径 →（可选）结果交给 LLM 生成自然语言

能否互相替代？

说法	对不对
用 GraphRAG 替代 Neo4j 做订单、社交、风控主库	不对 — GraphRAG 不是 OLTP 图库
用 Neo4j 替代 GraphRAG 做「整个库五大主题」	勉强 — 缺社区摘要与 Global 查询套路，要自己建流水线
GraphRAG 索引结果导入 Neo4j 做交互查询	可以 — 抽取落库 + 精确 Cypher
Neo4j 存图谱 + 向量库做 RAG	常见 — 实体对齐、多跳扩展、再生成

组合用法（生产常见）

组合	做法
GraphRAG → Neo4j	用 GraphRAG 离线建图，把 entities/relationships 导入 Neo4j，在线用 Cypher 做局部查询与可视化
Neo4j + 向量 RAG	向量库召回 chunk，Neo4j 按实体扩邻域，合并 context 后 LLM 生成
仅 Neo4j + LLM	结构化图谱已存在（企业知识库、产品 BOM），Cypher 取子图 → Text2Cypher 或模板化 prompt
仅 GraphRAG	无强 OLTP 需求、主要是非结构化文档的全局/关系问答，接受 parquet 索引

按场景选型

场景	更优先
长文档、研报、叙事文本的全局主题归纳	GraphRAG
实体关系问答，且图来自非结构化语料	GraphRAG（或自建抽取 + Neo4j）
关系数据已在业务系统里，要强一致增删改查	Neo4j
多跳路径、风控环、供应链溯源	Neo4j
既要全局摘要又要在线更新图谱	GraphRAG 离线建图 + Neo4j 在线库（或增量 ETL）
段落级 FAQ	向量 RAG 即可，二者都可不上

更完整的 RAG 选型见 RAG 与框架选型；GraphRAG 查询模式细节见 [GraphRAG 概览与查询](/docs/ai/RAG/GraphRAG 概览与查询)。

最小上手（Docker）

docker run -d --name neo4j \
  -p 7474:7474 -p 7687:7687 \
  -e NEO4J_AUTH=neo4j/your-password \
  neo4j:5

# 浏览器打开 http://localhost:7474 ，用 neo4j / your-password 登录
# 在 Browser 里执行 Cypher 即可

Python 驱动示例：

from neo4j import GraphDatabase

driver = GraphDatabase.driver("bolt://localhost:7687", auth=("neo4j", "your-password"))

with driver.session() as session:
    session.run(
        "MERGE (a:Person {name: $name})",
        name="Alice",
    )
    result = session.run(
        "MATCH (a:Person {name: $name}) RETURN a.name AS name",
        name="Alice",
    )
    print(result.single()["name"])

driver.close()

面试速记

Neo4j 是什么？ 原生图数据库，节点+关系为一等公民，Cypher 查询，适合多跳关系与路径分析。
和关系库最大差别？ 遍历关系是存储模型内置能力，不是反复 JOIN。
GraphRAG 和 Neo4j 一样吗？ 不一样；GraphRAG 是 LLM 文档索引与 RAG 方案，Neo4j 是图存储引擎。
二者相似点？ 都用图表示实体与关系，都服务知识图谱、多跳推理类需求。
能组合吗？ 能；GraphRAG 离线抽图导入 Neo4j，或 Neo4j 做精确子图检索再交给 LLM。
何时只用 Neo4j？ 图数据已结构化、要强事务与自定义查询，不需要 GraphRAG 那套社区摘要流水线。

Neo4j 解决什么​

核心概念​

Cypher 入门​

存储与架构（直觉）​

典型场景​

与关系库怎么选​

GraphRAG 与 Neo4j 对比​

先对齐：各自是什么​

相似之处​

关键区别​

架构对照​

能否互相替代？​

组合用法（生产常见）​

按场景选型​

最小上手（Docker）​

面试速记​