第九章：第一节图RAG系统架构与环境配置

文档摘要

第一节图RAG系统架构与环境配置在前面章节的基础上，接下来构建一个更先进的图RAG系统。通过引入Neo4j图数据库和智能查询路由机制，实现真正的知识图谱增强检索，解决传统RAG在复杂查询和关系推理方面的局限性。 neo4j 一、项目背景与目标 1.1 从传统RAG到图RAG的演进上一章中，我们构建了基于向量检索的传统RAG系统，采用了父子文本块的分块策略，能够有效回答简单的菜谱查询。但在处理复杂的关系推理和多跳查询时仍存在明显局限：关系理解缺失：虽然父子分块保持了文档结构，但无法显式建模食材、菜谱、烹饪方法之间的语义关系跨文档关联困难：难以发现不同菜谱之间的相似性、替代关系等隐含联系推理能力有限：缺乏基于知识图谱的多跳推理能力，难以回答需要复杂逻辑推理的问题 1.

第一节图RAG系统架构与环境配置

在前面章节的基础上，接下来构建一个更先进的图RAG系统。通过引入Neo4j图数据库和智能查询路由机制，实现真正的知识图谱增强检索，解决传统RAG在复杂查询和关系推理方面的局限性。

neo4j

一、项目背景与目标

1.1 从传统RAG到图RAG的演进

上一章中，我们构建了基于向量检索的传统RAG系统，采用了父子文本块的分块策略，能够有效回答简单的菜谱查询。但在处理复杂的关系推理和多跳查询时仍存在明显局限：

关系理解缺失：虽然父子分块保持了文档结构，但无法显式建模食材、菜谱、烹饪方法之间的语义关系
跨文档关联困难：难以发现不同菜谱之间的相似性、替代关系等隐含联系
推理能力有限：缺乏基于知识图谱的多跳推理能力，难以回答需要复杂逻辑推理的问题

1.2 图RAG系统的核心优势

通过引入知识图谱，我们的新系统将具备：

结构化知识表达：以图的形式显式编码实体间的语义关系
增强推理能力：支持多跳推理和复杂关系查询
智能查询路由：根据查询复杂度自动选择最适合的检索策略
事实性与可解释性：基于图结构的推理路径提供可追溯的答案

二、环境配置

若需要进行外部访问，需更换本地或服务器环境

2.1 创建虚拟环境


# 使用conda创建环境
conda create -n graph-rag python=3.12.7
conda activate graph-rag

2.2 安装核心依赖


cd code/C9
pip install -r requirements.txt

2.3 Neo4j数据库配置

使用Docker Compose方式安装Neo4j，配置文件位于 data/C9/docker-compose.yml：

2.3.1 启动Neo4j服务


# 进入docker-compose.yml所在目录
cd data/C9

# 启动Neo4j服务
docker-compose up -d

# 检查服务状态
docker-compose ps

2.3.2 访问Neo4j Web界面

启动成功后，可以通过以下方式访问：

Web界面：http://localhost:7474
用户名：neo4j
密码：all-in-rag

当前网址为本地访问，如果你是部署在远程服务器上，需要将 localhost 修改为你的服务器IP地址。

2.3.3 数据导入

Docker Compose配置中包含了自动数据导入功能。启动服务时会自动执行以下步骤：

等待Neo4j服务就绪：通过健康检查确保数据库可用
执行导入脚本：自动运行 data/C9/cypher/neo4j_import.cypher
导入菜谱数据：包括菜谱、食材、烹饪步骤等节点和关系

导入的数据包括：

菜谱节点：包含菜名、难度、烹饪时间、菜系等信息
食材节点：包含食材名称、分类、营养信息等
烹饪步骤节点：包含步骤描述、烹饪方法、所需工具等
关系网络：菜谱与食材、步骤之间的复杂关系

如果需要手动重新导入数据：


# 进入容器执行导入脚本
docker exec -it neo4j-db cypher-shell -u neo4j -p all-in-rag -f /import/cypher/neo4j_import.cypher

2.4 Milvus向量数据库配置

2.4.1 使用Docker安装Milvus

如果前面已经安装过了可以跳过此步，通过 docker-compose ps 确认Milvus服务正在运行即可。


# 下载Milvus standalone配置文件
wget https://github.com/milvus-io/milvus/releases/download/v2.5.11/milvus-standalone-docker-compose.yml -O docker-compose.yml

# 启动Milvus
docker-compose up -d

2.4.2 验证安装


# 检查Milvus服务状态
docker-compose ps

2.5 配置连接参数

在项目根目录创建 .env 文件：


# Neo4j配置
NEO4J_URI=bolt://localhost:7687
NEO4J_USER=neo4j
NEO4J_PASSWORD=all-in-rag
NEO4J_DATABASE=neo4j

# Milvus配置
MILVUS_HOST=localhost
MILVUS_PORT=19530

# LLM API配置
MOONSHOT_API_KEY=your_api_key_here

三、系统架构设计

3.1 整体架构

我们的图RAG系统采用模块化设计，包含以下核心组件：

flowchart TD %% 系统启动和初始化 START[" 启动高级图RAG系统"] --> CONFIG["⚙️ 加载配置 GraphRAGConfig"] CONFIG --> INIT_CHECK{" 检查系统依赖"} %% 依赖检查 INIT_CHECK -->|Neo4j连接失败| NEO4J_ERROR["❌ Neo4j连接错误 检查图数据库状态"] INIT_CHECK -->|Milvus连接失败| MILVUS_ERROR["❌ Milvus连接错误 检查向量数据库"] INIT_CHECK -->|LLM API失败| LLM_ERROR["❌ LLM API错误 检查API密钥"] INIT_CHECK -->|依赖正常| INIT_MODULES["✅ 初始化核心模块"] %% 知识库状态检查 INIT_MODULES --> KB_CHECK{" 检查知识库状态"} KB_CHECK -->|Milvus集合存在| LOAD_KB["⚡ 加载已存在知识库"] KB_CHECK -->|集合不存在| BUILD_KB[" 构建新知识库"] %% 加载已有知识库 LOAD_KB --> LOAD_SUCCESS{"加载成功？"} LOAD_SUCCESS -->|成功| SYSTEM_READY["✅ 系统就绪 显示统计信息"] LOAD_SUCCESS -->|失败| REBUILD_KB[" 重建知识库"] %% 构建新知识库流程 BUILD_KB --> NEO4J_LOAD[" 从Neo4j加载图数据 菜谱、食材、烹饪步骤节点"] REBUILD_KB --> NEO4J_LOAD NEO4J_LOAD --> BUILD_DOCS[" 构建结构化菜谱文档 组合图数据为完整文档"] BUILD_DOCS --> CHUNK_DOCS["✂️ 智能文档分块 按章节或长度分块"] CHUNK_DOCS --> BUILD_VECTOR[" 构建Milvus向量索引"] BUILD_VECTOR --> SYSTEM_READY %% 用户交互循环 SYSTEM_READY --> USER_INPUT[" 用户输入查询"] USER_INPUT --> SPECIAL_CMD{" 特殊命令检查"} %% 特殊命令处理 SPECIAL_CMD -->|stats| STATS[" 显示系统统计 路由统计、知识库状态"] SPECIAL_CMD -->|rebuild| REBUILD_CMD[" 重建知识库命令"] SPECIAL_CMD -->|quit| EXIT[" 退出系统"] %% 普通查询处理 - 智能路由核心 SPECIAL_CMD -->|普通查询| QUERY_ANALYSIS[" 深度查询分析"] %% 查询分析的四个维度 QUERY_ANALYSIS --> COMPLEXITY_ANALYSIS[" 复杂度分析 0.0-0.3: 简单查找 0.4-0.7: 中等复杂 0.8-1.0: 高复杂推理"] QUERY_ANALYSIS --> RELATION_ANALYSIS[" 关系密集度分析 0.0-0.3: 单一实体 0.4-0.7: 实体关系 0.8-1.0: 复杂关系网络"] QUERY_ANALYSIS --> REASONING_ANALYSIS[" 推理需求判断 多跳推理？因果分析？ 对比分析？"] QUERY_ANALYSIS --> ENTITY_ANALYSIS["️ 实体识别统计 实体数量和类型"] %% LLM智能分析 COMPLEXITY_ANALYSIS --> LLM_ANALYSIS[" LLM智能分析 综合评估查询特征"] RELATION_ANALYSIS --> LLM_ANALYSIS REASONING_ANALYSIS --> LLM_ANALYSIS ENTITY_ANALYSIS --> LLM_ANALYSIS %% 分析结果和降级处理 LLM_ANALYSIS --> ANALYSIS_SUCCESS{"分析成功？"} ANALYSIS_SUCCESS -->|成功| ROUTE_DECISION[" 智能路由决策"] ANALYSIS_SUCCESS -->|失败| RULE_FALLBACK[" 降级到规则分析 基于关键词匹配"] RULE_FALLBACK --> ROUTE_DECISION %% 三种检索策略路由 ROUTE_DECISION -->|简单查询 复杂度<0.4| HYBRID_SEARCH[" 传统混合检索 保底策略"] ROUTE_DECISION -->|复杂推理 关系密集>0.7| GRAPH_RAG_SEARCH["️ 图RAG检索 高级复杂策略"] ROUTE_DECISION -->|中等复杂 需要组合| COMBINED_SEARCH[" 组合检索策略 融合两种方法"] %% 检索执行和错误处理 HYBRID_SEARCH --> HYBRID_SUCCESS{"检索成功？"} GRAPH_RAG_SEARCH --> GRAPH_SUCCESS{"检索成功？"} COMBINED_SEARCH --> COMBINED_SUCCESS{"检索成功？"} %% 高级策略失败时降级到传统混合检索 GRAPH_SUCCESS -->|失败| FALLBACK_TO_HYBRID["⬇️ 降级到传统混合检索 保底方案"] COMBINED_SUCCESS -->|失败| FALLBACK_TO_HYBRID %% 传统混合检索失败时直接异常 HYBRID_SUCCESS -->|失败| SYSTEM_ERROR["❌ 系统检索异常 传统混合检索失败 无更低级降级"] FALLBACK_TO_HYBRID --> FALLBACK_SUCCESS{"降级检索成功？"} FALLBACK_SUCCESS -->|失败| SYSTEM_ERROR %% 成功路径 HYBRID_SUCCESS -->|成功| GENERATE[" 生成回答"] GRAPH_SUCCESS -->|成功| GENERATE COMBINED_SUCCESS -->|成功| GENERATE FALLBACK_SUCCESS -->|成功| GENERATE %% 固定的流式输出 GENERATE --> STREAM_OUTPUT[" 流式输出回答 use_stream = True 逐字符实时显示"] %% 统计更新和循环 STREAM_OUTPUT --> UPDATE_STATS[" 更新路由统计"] UPDATE_STATS --> USER_INPUT %% 特殊命令返回循环 STATS --> USER_INPUT REBUILD_CMD --> BUILD_KB %% 错误处理返回 NEO4J_ERROR --> EXIT MILVUS_ERROR --> EXIT LLM_ERROR --> EXIT SYSTEM_ERROR --> USER_INPUT %% 详细子流程 subgraph DataFlow [" 图数据处理流程"] NEO4J_DB["️ Neo4j图数据库 存储菜谱、食材、烹饪步骤 以及它们之间的关系网络"] RECIPE_BUILD[" 结构化菜谱文档构建 菜谱名称 + 分类 + 难度 + 食材列表 + 制作步骤 + 时间信息 + 标签"] DOC_CHUNK["✂️ 智能文档分块 按章节分块：## 所需食材、## 制作步骤 或按长度分块：chunk_size=500 重叠处理：chunk_overlap=50"] MILVUS_INDEX[" Milvus向量索引 BGE-small-zh-v1.5 512维向量空间"] NEO4J_DB --> RECIPE_BUILD RECIPE_BUILD --> DOC_CHUNK DOC_CHUNK --> MILVUS_INDEX end subgraph HybridFlow [" 传统混合检索流程（保底）"] DUAL_RETRIEVAL[" 双层检索 实体级+主题级"] VECTOR_SEARCH[" 增强向量检索 语义相似度匹配"] RRF_MERGE["⚖️ RRF轮询融合 公平合并不同结果"] INTERNAL_FALLBACK[" 内部降级机制 关键词提取失败→简单分词 图索引不足→Neo4j补充 Neo4j失败→静默失败"] DUAL_RETRIEVAL --> RRF_MERGE VECTOR_SEARCH --> RRF_MERGE INTERNAL_FALLBACK --> RRF_MERGE end subgraph GraphRAGFlow ["️ 图RAG检索流程（高级复杂）"] GRAPH_UNDERSTAND[" 图查询理解 entity_relation/multi_hop subgraph/path_finding"] MULTI_HOP[" 多跳图遍历 最大深度3跳 发现隐含关联"] SUBGRAPH_EXTRACT["️ 知识子图提取 完整知识网络 最大100节点"] GRAPH_REASONING[" 图结构推理 推理链构建 可信度验证"] GRAPH_UNDERSTAND --> MULTI_HOP GRAPH_UNDERSTAND --> SUBGRAPH_EXTRACT MULTI_HOP --> GRAPH_REASONING SUBGRAPH_EXTRACT --> GRAPH_REASONING end subgraph CombinedFlow [" 组合检索流程"] SPLIT_QUOTA[" 分配检索配额 traditional_k = top_k // 2 graph_k = top_k - traditional_k"] PARALLEL_SEARCH["⚡ 并行执行检索 传统检索 + 图RAG检索"] ROUND_ROBIN[" Round-robin合并 交替添加结果 图RAG优先"] DEDUP[" 去重和排序 基于内容哈希"] SPLIT_QUOTA --> PARALLEL_SEARCH PARALLEL_SEARCH --> ROUND_ROBIN ROUND_ROBIN --> DEDUP end subgraph FallbackStrategy ["⬇️ 降级策略（有限降级）"] LEVEL3["️ 图RAG检索 最高级：多跳推理+子图提取"] LEVEL2[" 组合检索 中级：融合两种方法"] LEVEL1[" 传统混合检索 保底：无更低级降级"] ERROR_LEVEL["❌ 系统异常 传统混合检索失败"] LEVEL3 -->|失败| LEVEL1 LEVEL2 -->|失败| LEVEL1 LEVEL1 -->|失败| ERROR_LEVEL end %% 样式定义 classDef startup fill:#e3f2fd,stroke:#0277bd,stroke-width:2px classDef config fill:#f1f8e9,stroke:#388e3c,stroke-width:2px classDef basic fill:#fff3e0,stroke:#f57c00,stroke-width:2px classDef advanced fill:#e8eaf6,stroke:#3f51b5,stroke-width:2px classDef knowledge fill:#e8f5e8,stroke:#1b5e20,stroke-width:2px classDef analysis fill:#f3e5f5,stroke:#4a148c,stroke-width:2px classDef routing fill:#e1f5fe,stroke:#01579b,stroke-width:2px classDef generation fill:#fce4ec,stroke:#880e4f,stroke-width:2px classDef userflow fill:#fff8e1,stroke:#f57c00,stroke-width:2px classDef error fill:#ffebee,stroke:#c62828,stroke-width:2px classDef success fill:#e8f5e8,stroke:#2e7d32,stroke-width:2px classDef fallback fill:#fff3e0,stroke:#ff6f00,stroke-width:2px classDef stream fill:#e1f5fe,stroke:#0288d1,stroke-width:2px classDef combined fill:#f3e5f5,stroke:#7b1fa2,stroke-width:2px classDef graphdata fill:#e8f5e8,stroke:#2e7d32,stroke-width:2px %% 应用样式 class START,INIT_MODULES,SYSTEM_READY startup class CONFIG config class HYBRID_SEARCH,HybridFlow,LEVEL1 basic class GRAPH_RAG_SEARCH,GraphRAGFlow,LEVEL3 advanced class KB_CHECK,LOAD_KB,BUILD_KB,NEO4J_LOAD,BUILD_DOCS,CHUNK_DOCS,BUILD_VECTOR knowledge class QUERY_ANALYSIS,COMPLEXITY_ANALYSIS,RELATION_ANALYSIS,REASONING_ANALYSIS,ENTITY_ANALYSIS,LLM_ANALYSIS analysis class ROUTE_DECISION,ANALYSIS_SUCCESS,RULE_FALLBACK routing class GENERATE generation class USER_INPUT,SPECIAL_CMD,STATS,REBUILD_CMD,EXIT userflow class NEO4J_ERROR,MILVUS_ERROR,LLM_ERROR,SYSTEM_ERROR,ERROR_LEVEL error class LOAD_SUCCESS,INIT_CHECK,HYBRID_SUCCESS,GRAPH_SUCCESS,COMBINED_SUCCESS,FALLBACK_SUCCESS success class FALLBACK_TO_HYBRID,FallbackStrategy fallback class STREAM_OUTPUT,UPDATE_STATS stream class COMBINED_SEARCH,CombinedFlow,LEVEL2 combined class DataFlow,NEO4J_DB graphdata

3.2 核心模块说明

图数据准备模块 (GraphDataPreparationModule)

功能：连接Neo4j数据库，加载图数据，构建结构化菜谱文档
特点：支持图数据到文档的智能转换，保持知识结构完整性

向量索引模块 (MilvusIndexConstructionModule)

功能：构建和管理Milvus向量索引，支持语义相似度检索
特点：使用BGE-small-zh-v1.5模型，512维向量空间

混合检索模块 (HybridRetrievalModule)

功能：传统的混合检索策略，结合向量检索和图扩展
特点：双层检索（实体级+主题级），RRF轮询融合

图RAG检索模块 (GraphRAGRetrieval)

功能：基于图结构的高级检索，支持多跳推理和子图提取
特点：图查询理解、多跳遍历、知识子图提取

智能查询路由 (IntelligentQueryRouter)

功能：分析查询特征，自动选择最适合的检索策略
特点：LLM驱动的查询分析，动态策略选择

生成集成模块 (GenerationIntegrationModule)

功能：基于检索结果生成最终答案，支持流式输出
特点：自适应生成策略，错误处理与重试机制

3.3 数据流程

数据准备阶段：
- 从Neo4j加载图数据（菜谱、食材、步骤节点及其关系）
- 构建结构化菜谱文档，保持知识完整性
- 进行智能文档分块，支持章节和长度双重分块策略
- 构建Milvus向量索引，支持语义检索
查询处理阶段：
- 用户输入查询
- 智能查询路由器分析查询特征（复杂度、关系密集度、推理需求）
- 根据分析结果选择检索策略：
  - 简单查询 → 传统混合检索
  - 复杂推理 → 图RAG检索
  - 中等复杂 → 组合检索策略
- 执行相应的检索操作
- 生成模块基于检索结果生成答案
错误处理与降级：
- 高级策略失败时自动降级到传统混合检索
- 传统混合检索失败时返回系统异常
- 支持流式输出中断时的自动重试机制

四、项目文件结构


code/C9/
├── main.py                          # 主程序入口
├── config.py                        # 配置文件
├── requirements.txt                 # 依赖包列表
└── rag_modules/                     # RAG模块包
    ├── __init__.py
    ├── graph_data_preparation.py    # 图数据准备模块
    ├── milvus_index_construction.py # Milvus索引构建模块
    ├── hybrid_retrieval.py          # 混合检索模块
    ├── graph_rag_retrieval.py       # 图RAG检索模块
    ├── intelligent_query_router.py  # 智能查询路由器
    └── generation_integration.py    # 生成集成模块

五、快速开始

5.1 启动系统


# 确保Neo4j和Milvus服务已启动
python main.py

5.2 系统初始化

首次运行时，系统会自动：

检查并连接Neo4j和Milvus数据库
加载图数据并构建菜谱文档
创建向量索引
初始化各个检索模块
显示系统统计信息

5.3 交互式问答

系统启动后，可以进行交互式问答：


您的问题: 川菜有哪些特色菜？
您的问题: 如何制作宫保鸡丁？
您的问题: 减肥期间适合吃什么菜？
您的问题: stats  # 查看系统统计
您的问题: quit   # 退出系统