企业级 Neo4j GraphRAG：向量检索 + 图谱扩散怎么融合？Neo4j GraphRAG 给你答案

系列文章目录

第一篇 AI 数据治理：LangChain4J 文本分类器在字段对标中的高级玩法
第二篇 LangChain4J + OpenTelemetry：AI 调用全链路可观测方案
第三篇 企业级 Neo4j GraphRAG：向量检索 + 图谱扩散怎么融合？Neo4j GraphRAG 给你答案
第四篇 多模型路由 + Resilience4j 熔断降级，Java 大模型服务的降级与兜底体系
第五篇「企业级智能体」LangChain4j Multi-Agent：角色分离 + 协同编排实战
第六篇 LangChain4j + MCP：从工具协议到生产级 Agent
第七篇 企业级 Prompt 管理中心：实验分流 + 曝光埋点 + 可回溯，版本化/AB/DSL/可观测全齐

---

---

前言：为什么只做向量 RAG 不够用？

---

很多团队的 RAG 都止步于：切 Chunk → 向量化 → TopK 相似度召回 → 拼上下文 → 让 LLM 回答。这条链路上线很快，但实际落地后经常遇到三个硬问题：

命中不稳定：问题表达一变，向量召回就漂；尤其是术语、代码 token、配置项这类文本。

解释性弱：为什么命中这段？为什么没命中那段？很难从“纯相似度”讲清楚。

词表维护成本高：新术语、新函数、新产品名层出不穷，靠人手补“实体/别名”永远慢半拍。

所以我做了一个工程化的 GraphRAG ：
向量检索 + 图检索融合（Fusion），并且提供一条非常关键的闭环：实体自动发现 → 自动入库 → 立即生效。

一、GraphRAG 的核心设计

✅ GraphRAG 全链路 Mermaid 架构图（流程图）

整体链路：

1. 实体提取/实体链接：

   • 从用户问题中提取