Neo4j构建语义图谱，大模型秒懂表关系，Text2SQ准确率狂飙300%！告别瞎猜！

在大模型驱动的智能数据时代，Text2SQL 的准确性严重依赖对表结构和表间关系的理解。传统方法依赖 Prompt 工程或 Schema 描述，效果不稳定。
本文带你用 Neo4j 构建“数据库语义图谱”，让大模型“看得懂关系”，显著提升 SQL 生成准确率！

💡 核心思想：将 MySQL 表结构 + 人工定义的关系 → 写入 Neo4j → 供大模型检索/推理 → 生成更精准 SQL

---

🎬 运行效果

🧭 本文流程一览

1. ✅ 环境配置 —— 安装依赖 & 配置数据库连接
2. 📊 自动提取表结构 —— 从 MySQL 动态获取字段、主键、外键
3. 🔗 人工定义表关系 —— 补充业务语义，构建完整图谱
4. 🧱 写入 Neo4j —— 创建节点、关系、约束
5. ▶️ 一键运行主函数 —— 自动化构建图谱
6. 🎁 开源项目推荐 —— 快速集成到你的大模型应用！

1️⃣ 环境配置

1.1.安装neo4j

docker run -d \  --name neo4j-apoc \  -p 7474:7474 \  -p 7687:7687 \  -v ./volume/neo4j/data:/data \  -v ./volume/neo4j/plugins:/plugins \  -e apoc.export.file.enabled=true \  -e apoc.import.file.enabled=true \  -e apoc.import.file.use_neo4j_config=true \  -e NEO4J_AUTH=neo4j/neo4j123 \  neo4j:5.26.11-ubi9

1.2.安装必要依赖

pip install pymysql py2neo

1.3.MySQL 配置

MYSQL_CONFIG = {    "host": "localhost",    "port": 13006,    "user": "root",    "password": "your_password",      # ← 替换为你的密码    "database": "text2sql_db",    "charset": "utf8mb4",}

1.4.Neo4j 配置

NEO4J_URI = "bolt://localhost:7687"NEO4J_USER = "neo4j"NEO4J_PASSWORD = "your_password" # ← 替换为你的密码

1.5.数据库连接函数

from py2neo import Graphimport pymysqldef connect_mysql():    return pymysql.connect(**MYSQL_CONFIG)def connect_neo4j():    return Graph(NEO4J_URI, auth=(NEO4J_USER, NEOOJ_PASSWORD))

1.6.执行数据库脚本

DROP TABLE IF EXISTS `t_customers`;CREATE TABLE `t_customers` (  `customer_id` int NOT NULL AUTO_INCREMENT COMMENT '客户ID',  `customer_name` varchar(100) NOT NULL COMMENT '客户姓名',  `phone` varchar(20) DEFAULT NULL COMMENT '联系电话',  `email` varchar(100) CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci DEFAULT NULL COMMENT '电子邮箱',  `address` text COMMENT '地址',  `city` varchar(50) DEFAULT NULL COMMENT '城市',  `country` varchar(50) DEFAULT '中国' COMMENT '国家',  `created_at` timestamp NULL DEFAULT CURRENT_TIMESTAMP COMMENT '创建时间',  `updated_at` timestamp NULL DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP COMMENT '更新时间',  PRIMARY KEY (`customer_id`),  UNIQUE KEY `email` (`email`)) ENGINE=InnoDB AUTO_INCREMENT=11 DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_0900_ai_ci COMMENT='客户信息表';DROP TABLE IF EXISTS `t_order_details`;CREATE TABLE `t_order_details` (  `detail_id` int NOT NULL AUTO_INCREMENT COMMENT '明细ID',  `order_id` int NOT NULL COMMENT '订单ID',  `product_id` int NOT NULL COMMENT '产品ID',  `quantity` int NOT NULL COMMENT '销售数量',  `unit_price` decimal(10,2) NOT NULL COMMENT '销售时的单价',  `line_total` decimal(12,2) NOT NULL COMMENT '行小计（quantity * unit_price）',  `created_at` timestamp NULL DEFAULT CURRENT_TIMESTAMP COMMENT '创建时间',  PRIMARY KEY (`detail_id`),  UNIQUE KEY `uk_order_product` (`order_id`,`product_id`),  KEY `product_id` (`product_id`)) ENGINE=InnoDB AUTO_INCREMENT=38 DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_0900_ai_ci COMMENT='销售订单明细表';DROP TABLE IF EXISTS `t_order_details`;CREATE TABLE `t_order_details` (  `detail_id` int NOT NULL AUTO_INCREMENT COMMENT '明细ID',  `order_id` int NOT NULL COMMENT '订单ID',  `product_id` int NOT NULL COMMENT '产品ID',  `quantity` int NOT NULL COMMENT '销售数量',  `unit_price` decimal(10,2) NOT NULL COMMENT '销售时的单价',  `line_total` decimal(12,2) NOT NULL COMMENT '行小计（quantity * unit_price）',  `created_at` timestamp NULL DEFAULT CURRENT_TIMESTAMP COMMENT '创建时间',  PRIMARY KEY (`detail_id`),  UNIQUE KEY `uk_order_product` (`order_id`,`product_id`),  KEY `product_id` (`product_id`)) ENGINE=InnoDB AUTO_INCREMENT=38 DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_0900_ai_ci COMMENT='销售订单明细表';DROP TABLE IF EXISTS `t_order_details`;CREATE TABLE `t_order_details` (  `detail_id` int NOT NULL AUTO_INCREMENT COMMENT '明细ID',  `order_id` int NOT NULL COMMENT '订单ID',  `product_id` int NOT NULL COMMENT '产品ID',  `quantity` int NOT NULL COMMENT '销售数量',  `unit_price` decimal(10,2) NOT NULL COMMENT '销售时的单价',  `line_total` decimal(12,2) NOT NULL COMMENT '行小计（quantity * unit_price）',  `created_at` timestamp NULL DEFAULT CURRENT_TIMESTAMP COMMENT '创建时间',  PRIMARY KEY (`detail_id`),  UNIQUE KEY `uk_order_product` (`order_id`,`product_id`),  KEY `product_id` (`product_id`)) ENGINE=InnoDB AUTO_INCREMENT=38 DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_0900_ai_ci COMMENT='销售订单明细表';

2️⃣ 自动提取 MySQL 表结构（智能识别主外键）

def get_tables_from_database(connection):    """自动扫描数据库，提取表名、字段、主键/外键标记"""    tables = {}    with connection.cursor() as cursor:        cursor.execute("SHOW TABLES")        table_names = [row[0] for row in cursor.fetchall()]        for table_name in table_names:            cursor.execute(f"SHOW COLUMNS FROM {table_name}")            columns = cursor.fetchall()            fields = []            for col in columns:                field_name = col[0]                key_type = col[3]  # PRI=主键, MUL=外键候选                if key_type == "PRI":                    fields.append(f"{field_name} [主键]")                elif key_type == "MUL":                    fields.append(f"{field_name} [外键]")                else:                    fields.append(field_name)            tables[table_name] = {"name": table_name, "fields": fields}    return tables

🌟 优势：无需手动维护字段列表，自动感知数据库变更！

3️⃣ 手动定义表间关系（补充业务语义）

⚠️ 自动提取无法识别业务逻辑关系，需人工补充！

RELATIONSHIPS = [    {        "from_table": "t_customers",        "to_table": "t_sales_orders",        "description": "客户创建销售订单",        "field_relation": "customer_id → order.customer_id",    },    {        "from_table": "t_sales_orders",        "to_table": "t_order_details",        "description": "订单包含多个明细项",        "field_relation": "order_id → detail.order_id",    },    {        "from_table": "t_products",        "to_table": "t_order_details",        "description": "产品属于订单明细",        "field_relation": "product_id → detail.product_id",    },    {        "from_table": "t_user",        "to_table": "t_user_qa_record",        "description": "用户产生问答记录",        "field_relation": "id → record.user_id",    },]

✍️ 建议：description 用自然语言描述，方便大模型理解！

4️⃣ 写入 Neo4j 图数据库

4.1.创建唯一性约束（防止重复）

def create_constraints(graph):    graph.run("CREATE CONSTRAINT IF NOT EXISTS FOR (t:Table) REQUIRE t.name IS UNIQUE")    print("✅ 节点唯一约束已创建")

4.2.创建表节点（包含字段信息）

def create_table_nodes(graph, tables):    for table_name, info in tables.items():        graph.run(            """            MERGE (t:Table {name: $name})            SET t.label = $label, t.fields = $fields            """,            name=info["name"],            label=table_name,            fields=info["fields"]        )    print("✅ 表节点创建完成！共创建 %d 个表节点" % len(tables))

4.3.创建表关系（带语义描述）

def create_table_relationships(graph):    for rel in RELATIONSHIPS:        graph.run(            """            MATCH (from:Table {name: $from_table})            MATCH (to:Table {name: $to_table})            MERGE (from)-[r:REFERENCES {                description: $description,                field_relation: $field_relation            }]->(to)            """,            from_table=rel["from_table"],            to_table=rel["to_table"],            description=rel["description"],            field_relation=rel["field_relation"]        )    print("✅ 表关系创建完成！共创建 %d 条关系" % len(RELATIONSHIPS))

5️⃣ 主函数：一键构建图谱！

def main():    print("🚀 开始构建 Text2SQL 语义图谱...")    mysql_conn = connect_mysql()    neo4j_graph = connect_neo4j()    try:        # 步骤1：获取表结构        tables = get_tables_from_database(mysql_conn)        print(f"📊 检测到 {len(tables)} 张数据表")        # 步骤2：清空旧数据（谨慎操作！）        print("🗑️  清空 Neo4j 中的旧数据...")        neo4j_graph.delete_all()        # 步骤3：创建约束        create_constraints(neo4j_graph)        # 步骤4：创建表节点        create_table_nodes(neo4j_graph, tables)        # 步骤5：创建表关系        create_table_relationships(neo4j_graph)        print("🎉 图谱构建完成！现在可用 Cypher 查询或供大模型调用")    except Exception as e:        print(f"❌ 构建失败: {str(e)}")        raise    finally:        mysql_conn.close()        print("🔌 数据库连接已关闭")if __name__ == "__main__":    main()

6️⃣ 根据表名称查询关系

from py2neo import Graphimport osdef test_get_table_relationships():    """    从 Neo4j 图数据库中查询预定义表之间的 REFERENCES 关系。    表名已写死在代码中，数据库连接信息从环境变量读取。    :return: list of dict，每个 dict 包含 from_table, relationship, to_table    """    # 从环境变量读取数据库配置    NEO4J_URI = os.getenv("NEO4J_URI", "bolt://localhost:7687")    NEO4J_USER = os.getenv("NEO4J_USER", "neo4j")    NEO4J_PASSWORD = os.getenv("NEO4J_PASSWORD", "neo4j123")    table_names = ["t_customers", "t_sales_orders", "t_products", "t_order_details"]    # 连接图数据库    graph = Graph(NEO4J_URI, auth=(NEO4J_USER, NEO4J_PASSWORD))    # Cypher 查询语句    query = """    MATCH (t1:Table)-[r:REFERENCES]-(t2:Table)    WHERE t1.name IN $table_names      AND t2.name IN $table_names      AND t1.name < t2.name    RETURN       t1.name AS from_table,      r.field_relation AS relationship,      t2.name AS to_table    """    # 如果没有表名，直接返回空结果（虽然这里不会为空）    if not table_names:        return []    # 执行查询    try:        result = graph.run(query, table_names=table_names).data()        print("查询结果：", result)        return result    except Exception as e:        print(f"[ERROR] 查询图数据库失败: {e}")        return []
``````plaintext
PASSED [100%]查询结果： [{'from_table': 't_customers', 'relationship': 'customer_id references customer_id', 'to_table': 't_sales_orders'}, {'from_table': 't_order_details', 'relationship': 'order_id references order_id', 'to_table': 't_sales_orders'}, {'from_table': 't_order_details', 'relationship': 'product_id references product_id', 'to_table': 't_products'}]

🎁 完整代码：关注我的开源实战项目 sanic-web

已经集成eno4j/text2sql

如果你正在寻找一个开箱即用、支持全链路开发的大模型应用脚手架，欢迎关注我的开源项目：

GitHub 项目 → https://github.com/apconw/sanic-web

🌈 项目亮点

• ✅ 集成 MCP 多智能体架构
• ✅ 支持 Dify / LangChain / LlamaIndex / Ollama / vLLM / Neo4j
• ✅ 前端采用 Vue3 + TypeScript + Vite5，现代化交互体验
• ✅ 内置 ECharts / AntV 图表问答 + CSV 表格问答
• ✅ 支持对接主流 RAG 系统 与 Text2SQL 引擎
• ✅ 轻量级 Sanic 后端，适合快速部署与二次开发

运行效果:

数据问答

如何学习AI大模型 ？

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。【保证100%免费】🆓

优快云粉丝独家福利

这份完整版的 AI 大模型学习资料已经上传优快云，朋友们如果需要可以扫描下方二维码&点击下方优快云官方认证链接免费领取 【保证100%免费】

读者福利： 👉👉优快云大礼包：《最新AI大模型学习资源包》免费分享 👈👈

（👆👆👆安全链接，放心点击）

对于0基础小白入门：

如果你是零基础小白，想快速入门大模型是可以考虑的。

一方面是学习时间相对较短，学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。

👉1.大模型入门学习思维导图👈

要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。

对于从来没有接触过AI大模型的同学，我们帮你准备了详细的学习成长路线图&学习规划。可以说是最科学最系统的学习路线，大家跟着这个大的方向学习准没问题。（全套教程文末领取哈）

👉2.AGI大模型配套视频👈

很多朋友都不喜欢晦涩的文字，我也为大家准备了视频教程，每个章节都是当前板块的精华浓缩。

👉3.大模型实际应用报告合集👈

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。（全套教程文末领取哈）

👉4.大模型实战项目&项目源码👈

光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战项目来学习。（全套教程文末领取哈）

👉5.大模型经典学习电子书👈

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。（全套教程文末领取哈）

👉6.大模型面试题&答案👈

截至目前大模型已经超过200个，在大模型纵横的时代，不仅大模型技术越来越卷，就连大模型相关的岗位和面试也开始越来越卷了。为了让大家更容易上车大模型算法赛道，我总结了大模型常考的面试题。（全套教程文末领取哈）

为什么分享这些资料?

只要你是真心想学AI大模型，我这份资料就可以无偿分享给你学习，我国在这方面的相关人才比较紧缺，大模型行业确实也需要更多的有志之士加入进来，我也真心希望帮助大家学好这门技术，如果日后有什么学习上的问题，欢迎找我交流，有技术上面的问题，我是很愿意去帮助大家的！

这些资料真的有用吗?

这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

优快云粉丝独家福利

这份完整版的 AI 大模型学习资料已经上传优快云，朋友们如果需要可以扫描下方二维码&点击下方优快云官方认证链接免费领取 【保证100%免费】

读者福利： 👉👉优快云大礼包：《最新AI大模型学习资源包》免费分享 👈👈

（👆👆👆安全链接，放心点击）