Graph RAG：基于知识图谱的 RAG

Graph RAG 是 RAG 技术的前沿方向。它结合了知识图谱 (Knowledge Graph) 的结构化推理能力和 LLM 的生成能力，解决了传统向量检索难以处理的“多跳推理”和“全局关系”问题。

1. 为什么需要 Graph RAG？

传统 RAG（基于向量）的局限：

• 关系丢失：向量把文本打散了，丢失了实体间的显式关系（如 A 是 B 的父亲）。
• 多跳推理弱：问“A 的父亲的公司的 CEO 是谁？”，向量检索很难一次性找对链条。

Graph RAG 的优势：

• 显式关系：直接在图数据库中存储 (Entity A)-[RELATION]->(Entity B)。
• 精准推理：通过图遍历算法（如最短路径）找到答案。

2. 核心架构

1. 知识抽取 (Extraction)：利用 LLM 从非结构化文本中提取实体（Entities）和关系（Relationships）。
2. 图存储 (Graph Storage)：将提取的三元组存入图数据库（如 Neo4j）。
3. 图检索 (Graph Retrieval)：将用户问题转化为 Cypher 查询语句，或检索实体的子图（Sub-graph）。
4. 混合生成: 将检索到的子图信息 + 向量检索的文本片段，一起喂给 LLM。

3. Golang 操作 Neo4j

我们将使用 Neo4j 的官方 Go 驱动 github.com/neo4j/neo4j-go-driver。

3.1 安装驱动

go get github.com/neo4j/neo4j-go-driver/v5

3.2 连接 Neo4j 并查询

package main

import (
	"context"
	"fmt"
	"log"

	"github.com/neo4j/neo4j-go-driver/v5/neo4j"
)

func main() {
	ctx := context.Background()
	
	// 1. 连接数据库
	dbUri := "neo4j://localhost:7687"
	dbUser := "neo4j"
	dbPassword := "password"
	
	driver, err := neo4j.NewDriverWithContext(
		dbUri,
		neo4j.BasicAuth(dbUser, dbPassword, ""),
	)
	if err != nil {
		log.Fatal(err)
	}
	defer driver.Close(ctx)

	// 2. 执行查询 (Cypher)
	// 假设我们要查询 "Elon Musk" 关联的公司
	cypher := `
		MATCH (p:Person {name: $name})-[r:FOUNDED]->(c:Company)
		RETURN c.name AS company
	`
	
	session := driver.NewSession(ctx, neo4j.SessionConfig{AccessMode: neo4j.AccessModeRead})
	defer session.Close(ctx)

	result, err := session.Run(ctx, cypher, map[string]any{"name": "Elon Musk"})
	if err != nil {
		log.Fatal(err)
	}

	// 3. 处理结果
	var companies []string
	for result.Next(ctx) {
		record := result.Record()
		company, _ := record.Get("company")
		companies = append(companies, company.(string))
	}

	fmt.Printf("Elon Musk 创立的公司: %v\n", companies)
}

4. 实战：构建 Graph RAG 流程

步骤 1：利用 LLM 提取三元组

我们需要写一个 Prompt，让 LLM 把句子变成 JSON。

const extractPrompt = `
请从以下文本中提取实体和关系，输出 JSON 格式：
[{"head": "实体A", "relation": "关系", "tail": "实体B"}, ...]

文本：Elon Musk 创立了 SpaceX。SpaceX 位于美国。
`
// LLM Output: 
// [{"head": "Elon Musk", "relation": "FOUNDED", "tail": "SpaceX"}, 
//  {"head": "SpaceX", "relation": "LOCATED_IN", "tail": "USA"}]

步骤 2：写入 Neo4j

func InsertTriplets(ctx context.Context, driver neo4j.DriverWithContext, triplets []Triplet) {
	session := driver.NewSession(ctx, neo4j.SessionConfig{AccessMode: neo4j.AccessModeWrite})
	defer session.Close(ctx)

	for _, t := range triplets {
		cypher := `
			MERGE (h:Entity {name: $head})
			MERGE (t:Entity {name: $tail})
			MERGE (h)-[:RELATION {type: $rel}]->(t)
		`
		session.Run(ctx, cypher, map[string]any{
			"head": t.Head,
			"tail": t.Tail,
			"rel":  t.Relation,
		})
	}
}

步骤 3：检索增强

当用户问 "SpaceX 的创始人是谁？"：

1. 关键词提取：提取出 "SpaceX"。
2. 子图检索：在 Neo4j 中查 MATCH (n {name: 'SpaceX'})-[*1..2]-(m) RETURN n, m。
3. 构建 Context：将查到的关系描述成自然语言（"SpaceX FOUNDED_BY Elon Musk"）。
4. LLM 生成：结合 Context 回答。

5. 总结

Graph RAG 提升了系统对复杂逻辑的理解能力。 在 Golang 生态中，我们可以灵活组合 LangChainGo (LLM 调用) 和 Neo4j Go Driver (图存储) 来构建强大的图谱增强应用。