JLCloud Docs
基础能力
AI 能力
基础能力
AI 能力

知识库接入知识图谱

目前知识图谱接入仅支持 Neo4j 数据库，后续会支持其他数据库。

安装 Neo4j

Neo4j 是一个开源的图数据库，用于存储和查询图数据。

使用 Docker 快速安装和启动 Neo4j：

docker run -d -p 7474:7474 -p 7687:7687 \
  -e NEO4J_AUTH=neo4j/neo4jneo4j \
  -e NEO4J_PLUGINS='["apoc"]' \
  --name neo4j registry.cn-hangzhou.aliyuncs.com/dockerhub_mirror/neo4j:5.26.2

连接配置信息：

  • 端口 7474：Neo4j 浏览器 Web 界面访问端口
  • 端口 7687：Bolt 协议连接端口（应用程序连接）
  • 默认实例：neo4j
  • 默认用户名：neo4j
  • 默认密码：neo4jneo4j

安装完成后，访问 http://localhost:7474 进入 Neo4j 浏览器界面。

配置向量库

配置向量库

在系统的【向量配置】模块中，点击"新增"按钮来添加 Neo4j 向量存储配置。

1
创建向量配置

进入【向量配置】页面，点击"新增"按钮，选择 Neo4j 向量模式

2
配置连接参数

填写 Neo4j 数据库连接信息：

  • 服务地址：localhost:7687（或您的 Neo4j 服务地址）
  • 用户名：neo4j
  • 密码：neo4jneo4j
  • 数据库名：neo4j
3
设置向量维度

配置向量维度参数，该参数必须与您计划使用的向量模型维度保持一致

向量维度配置关键说明： 向量维度设置非常重要，它必须与您后续使用的向量模型输出维度完全匹配。例如：

  • 设置维度为 4096，则需要使用输出维度为 4096 的模型（如 Qwen3-Embedding-8B）
  • 设置维度为 1024，则需要使用输出维度为 1024 的模型（如 bge-m3） 维度不匹配将导致向量存储和检索失败。

建议根据您的具体需求选择合适的模型：

  • 追求最佳效果：选择 Qwen3-Embedding-8B（4096维）
  • 平衡性能和效果：选择 bge-m3 或 bge-large-zh-v1.5（1024维）
  • 多语言需求：选择 BAAI/bge-m3（1024维）

知识库启用 neo4j

在配置 Neo4j 向量存储后，您需要在知识库中启用 Neo4j 配置。进入知识库管理页面，选择需要配置的知识库。

知识库启用 Neo4j

向量模型维度匹配说明： 在选择向量模型时，必须确保模型的输出维度与之前在 Neo4j 向量配置中设置的维度完全一致：

  • 如果在 Neo4j 配置中设置维度为 4096，则只能选择输出维度为 4096 的向量模型（如 Qwen3-Embedding-8B）
  • 如果在 Neo4j 配置中设置维度为 1024，则只能选择输出维度为 1024 的向量模型（如 bge-m3、bge-large-zh-v1.5） 维度不匹配将导致向量存储失败，系统无法正常工作。
1
选择知识库

在知识库列表中找到需要配置的知识库，点击进入详情页面

2
启用 Neo4j 向量存储

在知识库配置中找到向量存储选项，选择之前创建的 Neo4j 向量配置

3
选择匹配的向量模型

根据 Neo4j 配置中设置的向量维度，选择对应维度的向量模型：

  • 4096 维度：选择 Qwen3-Embedding-8B 等 4096 维模型
  • 1024 维度：选择 bge-m3、bge-large-zh-v1.5 等 1024 维模型
4
保存配置

确认配置无误后，保存知识库设置

图谱查看

使用 Neo4j 知识图谱存储的知识库，会自动为文档生成切片关系图谱。系统将文档内容解析为不同的知识切片，并建立它们之间的关联关系，形成直观的知识图谱结构。

知识图谱在 RAG 中的核心价值

传统 RAG 依赖文本匹配进行检索，难以处理需要跨文档信息汇总的全局性问题。知识图谱通过将文档切片组织为实体-关系网络，实现了：

  • 层级关系维护：建立切片与文档、切片与切片之间的结构化关联
  • 上下文保持：保留切片在原文档中的位置和语境信息，避免碎片化检索
  • 多跳推理支持：通过图遍历发现间接关联的知识节点，提升复杂问题的回答能力

当前版本的关系图主要体现文档切片与整篇文档之间的层级关系（Parent-Child 结构），确保检索时能够追溯切片的完整上下文。后续版本将支持更丰富的语义关系识别，包括实体抽取、关系推理和社区聚类等 GraphRAG 能力。

图谱查看

入库原理说明

Neo4jEmbeddingStrategy 会按顺序执行两个阶段：先完成切片向量入库，再执行关系图谱入库。这样可以保证检索侧先拿到可用的向量数据，随后再补齐文档级的图结构和父子关系。

两阶段处理顺序

如果阶段 1 失败，整个 processEmbedding 会进入异常处理并将切片标记为失败，阶段 2 不会继续执行。只有切片向量入库完成后，才会开始图谱构建。

1. 生成向量数据入库流程

这一阶段的目标是为每个切片单独生成向量，并写入 Neo4j 向量存储，用于后续相似度检索。实现上会先临时切换为不依赖 parentId 的简单实体创建查询，然后逐个切片生成 embedding、写入元数据，并把返回的向量 ID 回写到切片记录中。

2. 执行关系图谱入库流程

这一阶段的目标是基于整篇文档生成图谱结构。系统会把全部切片内容重新拼装成文档正文，按配置决定是否追加摘要，再通过 Neo4jSummaryGraphIngestor 按段切分文档、生成节点与关系，并最终把文档的图谱状态标记为已完成。

从实现上看，阶段 1 解决的是“让每个切片可检索”，阶段 2 解决的是“让切片之间有结构”。因此 Neo4j 在该方案中同时承担了向量检索存储和图谱关系存储两类职责，前者面向召回，后者面向上下文关联和多跳推理。

本页目录