写给真正
交付技术栈的人
关于 React、Node.js、TypeScript 与 AI 的文章。有译文正文时显示译文。没有时显示英文，并注明这一点。
标签：neo4j
Neo4j与LangChain4j：GraphRAG数据导入工具、过滤功能及聊天记忆功能
基于LangChain4j的Neo4j在GraphRAG中的应用：模式发现、LLM图结构构建、Cypher DSL语法、索引内过滤、父子节点检索以及以图为支撑的聊天记忆功能。
阅读约 18 分钟利用本体和知识图谱解决半导体文档中的RAG问题。
半导体EDA文档采用了RDF/OWL本体、Neo4j知识图谱以及基于本体的检索机制，使得RAG系统产生的后续问题减少了30%。
阅读约 8 分钟基于LangExtract、Neo4j、Qdrant和Ollama构建的完全本地化GraphRAG流程
在本地模型上构建GraphRAG：使用LangExtract提取实体，将其存储在Neo4j中，然后在Qdrant中进行索引，最终通过子图扩展获得基于图的答案。
阅读约 39 分钟基于上下文图谱的智能 AIOps：Neocarta、Neo4j、LangGraph 与 Gemini
闭环事件响应设计：将ServiceNow、Dynatrace和GitHub的数据导入Neo4j，在安全屏障后通过LangGraph和Gemini进行分析，再将所有操作结果记录下来。
阅读约 10 分钟使用 Docker 和 VS Code 在自己的机器上运行 Neo4j MCP 服务器
使用 Docker Compose 自主部署 Neo4j 及其官方 MCP 服务器，通过 HTTP 的基本认证机制进行安全保护，以 Agent 模式连接 VS Code，然后查询示例图数据。
阅读约 8 分钟适用于 Neo4j 的零配置过滤向量搜索 MCP 服务器
自动发现 Neo4j 向量索引与示例属性类型，无需任何手动配置即可生成使用 Cypher 25 内置过滤功能的类型化 MCP 搜索工具。
阅读约 9 分钟用于智能体AI的知识图谱：超越向量RAG的四种模式
向量搜索能找到相似的文本，而非相关联的事实。智能体的四种图模式：基于事实的提示、规划、执行验证与自我修正。
阅读约 9 分钟实用指南：在 GCP 上利用 Neo4j 构建能做出更优决策的 AI 智能体
《实用笔记：利用Neo4j在GCP上构建能做出更好决策的AI智能体》的操作指南：为采用该架构的团队提供合同模板、检查清单以及可直接插入的代码片段。
阅读约 14 分钟Neo4j MCP服务器已连接到ChatGPT
构建一个 Neo4j MCP 服务器，连接其 Cypher 工具，将其注册到 ChatGPT 中，并验证来自聊天的只读查询确实能够安全地传达到图数据库。
阅读约 10 分钟