基于Dify+Neo4j搭建本地知识图谱RAG系统实战

为什么传统RAG不够用？

传统的RAG（检索增强生成）系统在处理简单的事实性问答时表现尚可，但面对复杂的关系推理时往往力不从心。例如，当你问"小明和张红是什么关系"时，如果知识库中只记录了"小明的妈妈是李华"和"李华的妈妈是张红"，传统RAG很难通过两跳推理得出"张红是小明的外婆"这一结论。

这正是GraphRAG（知识图谱增强的RAG）的价值所在。通过将实体和关系构建成图结构，AI不仅能找到答案，还能理解实体之间的深层关联，实现多跳推理，真正激活知识的深层价值。

本文基于B站UP主"阿水"的保姆级教程，梳理从零搭建本地化知识图谱RAG系统的完整流程，涵盖数据准备、Neo4j图谱构建、Dify工作流集成三大核心环节。

整体架构与工具选型

整个系统的技术栈由三层组成：

• Docker：容器化平台，负责统一管理Neo4j和Dify的运行环境，免去繁琐的依赖安装
• Neo4j：高效的图数据库，用于存储和查询实体之间的关系
• Dify：低代码/无代码AI应用平台，通过可视化的Chatflow构建RAG工作流

这种架构的优势在于：所有组件都运行在本地Docker容器中，数据完全自主可控，无需依赖云服务器，特别适合对数据安全有要求的场景。

第一步：数据准备与处理

数据获取

知识图谱的质量取决于底层数据的质量。教程中使用了一份食谱相关的数据集（包含6条精简数据），原始数据量较大，在普通电脑上运行较慢，因此做了裁剪。实际应用中，你需要根据自己的业务场景准备相应的内部数据。

数据格式化

Neo4j导入数据时推荐使用JSON格式。如果你的原始数据是非结构化文本（如PDF、Word文档），需要先进行结构化处理，从中提取实体和关系信息。这一步可以借助大模型辅助完成，但仍需人工核查确保准确性。

实战提示：在实际项目落地中，实体识别和关系抽取是最大的痛点。数据量大时需要专业人员参与，大模型可以辅助但不能完全替代人工审核。

第二步：Neo4j知识图谱构建

环境安装

首先需要在Docker中拉取Neo4j镜像。启动时有几个关键配置需要注意：

1. 启用APOC插件：这是Neo4j的一个扩展插件，支持导入本地JSON文件。没有它就无法将准备好的数据导入图数据库
2. 内存设置：建议设置最大内存为4GB（根据机器性能调整）
3. 用户认证：默认用户名为neo4j，密码设置为password

安装APOC插件后，可以通过查询语句验证是否成功。如果返回了大量工具列表，说明插件已正确加载。

构建图谱

知识图谱由实体和关系两部分组成。以食谱场景为例：

• 实体：米饭、鸡蛋、蔬菜、食用油、蛋白炒饭、主食等
• 关系：食材→可制作→菜品，菜品→属于→分类

将JSON数据文件放入Neo4j的import目录后，通过Neo4j的Cypher查询语言执行导入命令。导入完成后，可以在Neo4j的可视化界面中看到各实体之间的关系网络，支持拖拽交互查看。

通过查询语句还可以检查每个标签对应的节点数量，确保数据导入完整无误。

第三步：Dify集成与RAG工作流搭建

Dify安装与模型配置

Dify同样通过Docker部署。从GitHub下载源码后，在Docker目录下执行启动命令即可。首次拉取镜像大约需要15-20分钟。

启动后访问127.0.0.1进入Dify界面，在设置中配置模型供应商。教程推荐使用硅基流动（SiliconFlow），原因是其免费额度较高——新用户注册即送14元额度，邀请新用户还可额外获得14元，对于学习和测试完全够用。配置时只需填入API Key即可。

工作流构建

Dify通过HTTP请求访问Neo4j数据库。由于Neo4j有用户认证，需要将用户名密码转换为Base64编码格式，在Dify的HTTP请求节点中使用。

具体步骤：

1. 在PowerShell中将neo4j:password转换为Base64编码
2. 保存编码结果，后续在Dify中替代明文密码
3. 通过curl命令验证HTTP请求能否正确访问Neo4j
4. 在Dify中导入预制的Chatflow工作流文件
5. 关键修改：将工作流中的Base64认证信息替换为你自己的编码值
6. 选择合适的大模型（教程使用DeepSeek^广告 V3）

整个Chatflow的逻辑非常清晰：用户提问 → HTTP请求查询Neo4j → 获取图谱中的关联实体和关系 → 大模型基于图谱信息生成回答。

效果验证

搭建完成后，可以在Dify的预览界面进行测试。例如提问"我有一碗米饭，可以做什么吃的？"，系统会基于知识图谱中的食材关系，返回蔬菜鸡蛋炒饭等多种推荐方案，并且回答有理有据。

进阶：嵌入网页部署

Dify支持将构建好的AI应用嵌入到自有网页中。操作方式非常简单：

1. 在Dify中点击"嵌入网站"
2. 选择第二种嵌入方式（右下角悬浮按钮样式）
3. 复制生成的嵌入代码
4. 粘贴到HTML文件的<body>标签中

保存后打开网页，右下角会出现一个对话按钮，点击即可与知识图谱RAG系统进行交互。需要注意的是，每次对话都会消耗模型Token，如果将应用公开给他人使用，要注意额度管理。

总结与思考

本文介绍的GraphRAG方案相比传统RAG有三个显著优势：

1. 关系推理能力：通过图结构实现多跳推理，理解实体间的深层关联
2. 本地化部署：全部组件运行在Docker容器中，数据安全可控
3. 低门槛集成：借助Dify的可视化工作流，无需编写大量代码

当然，这套方案也有其局限性。实体识别和关系抽取仍然是最大的工程挑战，数据规模较大时对机器性能有一定要求，且知识图谱的维护和更新需要持续投入。但作为入门级的GraphRAG实践，这套方案已经能够很好地展示知识图谱在RAG系统中的价值。