前言
前面一章讲述了构建知识图谱来提高基于 RAG 的应用程序的准确性，并且使用 Neo4j 和 LangChain 在 RAG 应用程序中构建和检索知识图谱信息。
图形检索增强生成 (Graph RAG) 这种方法利用图形数据库的结构化特性，将数据组织为节点和关系，以增强检索信息的深度和上下文性。
由于篇幅可能会比较长，这一篇知识点较多，我单独分成了两个小节
一、给定 Cypher 查询结果图表
Cypher 是什么？可能很多小伙伴不太懂这个，一来就产生一个疑问，我这里简单描述一下。
Cypher 其实是 Neo4j的图形查询语言，可让您从图形中检索数据。
它就像是 SQL 语句，不过它是图形的 SQL，但它受到 SQL 的启发，因此我们可以专注于怎么从图形中获取什么数据（而不是如何获取数据）。
后面几章节我会详细对 Cypher 的 语句 进行详细说明。
打开我们 Jupyter（https://jupyter.org/try-jupyter/lab/index.html）或者 Colab（https://colab.research.google.com/drive/），因为下面使用到了 yfiles_jupyter_graphs 它支持的环境就是 Jupyter 环境，VS Code 或 Google Colab 环境：
%pip install --upgrade --quiet langchain langchain-community langchain-openai langchain-experimental neo4j wikipedia tiktoken yfiles_jupyter_graphs
from neo4j import GraphDatabase
from yfiles_jupyter_graphs import GraphWidgetos.environ["NEO4J_URI"] = "bolt://*********"
os.environ["NEO4J_USERNAME"] = "ne*******"
os.environ["NEO4J_PASSWORD"] = "de**********"
os.environ["OPENAI_API_KEY"] = "sk-*********"graph = Neo4jGraph()
# dire
ctly show the graph resulting from the given Cypher query
default_cypher = "MATCH (s)-[r:!MENTIONS]->(t) RETURN s,r,t LIMIT 50"def showGraphDetail(cypher: str = default_cypher):# create a neo4j session to run queriesdriver = GraphDatabase.driver(uri = os.environ["NEO4J_URI"],auth = (os.environ["NEO4J_USERNAME"],os.environ["NEO4J_PASSWORD"]))session = driver.session()widget = GraphWidget(graph = session.run(cypher).graph())widget.node_label_mapping = 'id'return widget
showGraphDetail(default_cypher)
"MATCH (s)-[r:!MENTIONS]->(t) RETURN s,r,t LIMIT 50" 这就是一句我们的 Cypher 查询语句，它表示的意思是 “找出图数据库中所有通过非’MENTIONS’关系相连的节点对，返回这些节点和它们之间的关系，但最多只返回50组这样的结果。”
这个查询可以用来探索图中的各种关系，同时排除了 "MENTIONS" 这种特定的关系类型。
它对于了解图的结构和不同实体之间的连接方式很有用，尤其是当你想排除某种特定类型的关系时。
点击运行，出现下面界面：
我们在这里可以看到之前保存到 Neo4j 的图数据。
二、混合检索
图生成后，我们将使用混合检索方法，将向量和关键字索引与 RAG 应用程序的图检索相结合。
在检索过程中，从用户提出问题开始，然
