本文详细介绍了如何通过Docker在本地搭建混合知识库，融合Neo4j图数据库与Milvus向量数据库的优势。内容涵盖Neo4j的部署、数据建模、Cypher查询优化，以及Milvus的向量索引构建和RAG链配置。文章还探讨了双库协同逻辑，通过Supervisor智能调度实现关系查询与语义检索的精准匹配，并提供了常见问题解决方案和性能优化技巧。对于希望搭建高可用混合知识库、提升多代理系统响应质量的开发者来说，本文是不可或缺的实践指南。

---

前言

在多代理混合RAG系统中，知识库是“知识储备核心”，直接决定了代理检索的精准度与响应质量。上一篇我们解析了5个子代理的执行逻辑，而这些代理能高效完成知识检索任务，背后依赖“Neo4j图知识库+Milvus向量库”的混合支撑——图知识库擅长挖掘实体关系，向量库精准匹配语义细节，二者互补形成全场景知识覆盖。

本文作为系列博客的第三篇，将聚焦混合知识库的落地实现：从本地Docker部署、数据建模、索引构建，到双库协同逻辑，手把手带你搭建高可用的混合知识库，让你掌握“关系型知识+语义型知识”的全链路管理技巧。

1 混合知识库的设计逻辑：为什么需要“图+向量”双引擎？

1.1 单一知识库的局限性

• • 纯图数据库：擅长实体关系查询（如“小米的合作品牌”），但无法高效处理细粒度文本检索（如“苹果的环保目标细节”）；
• • 纯向量数据库：擅长语义相似性检索（如“查找与5G技术相关的内容”），但难以挖掘实体间的复杂关联（如“华为-开发-鸿蒙-适配-智能设备”）。

1.2 混合知识库的核心优势

“Neo4j图库+Milvus向量库”的组合，完美弥补了单一知识库的短板：

• • 互补覆盖：图库处理“关系型知识”，向量库处理“语义型知识”，覆盖结构化、半结构化、非结构化知识场景；
• • 提升效率：关系查询走图库，语义查询走向量库，避免单一知识库的“一刀切”检索瓶颈；
• • 适配多代理：graph_kg代理调用图库，vec_kg代理调用向量库，实现代理与知识库的精准绑定。

1.3 混合知识库与代理的对应关系

2 本地Docker部署：Neo4j图数据库搭建

2.1 部署准备

• • 依赖环境：Docker已启动（参考第一篇博客的Docker Compose配置）；
• • 核心端口：7474（Web管理界面）、7687（Bolt协议端口，代码连接核心）；
• • 初始配置：用户名neo4j，密码password（Docker Compose中已预设）。

2.2 启动与验证

1. 1. 启动服务：通过Docker Compose启动Neo4j（命令参考第一篇）；
2. 2. Web界面验证：浏览器访问http://localhost:7474，输入用户名密码登录，首次登录需修改密码（保持与代码配置一致）；
3. 3. 代码连接验证：通过LangChain的Neo4jGraph类测试连接，核心代码：

from langchain_community.graphs import Neo4jGraph# 初始化Neo4j连接graph = Neo4jGraph(    url='bolt://localhost:7687',    username="neo4j",    password="password",  # 与Web界面修改后的密码一致    database="neo4j")print("Neo4j连接成功！")

2.3 数据建模：从文本到图结构的自动转换

系统通过LLMGraphTransformer将非结构化文本（如doc/company.txt）自动转换为图结构（实体+关系），无需手动建模，核心流程如下：

2.3.1 核心依赖

from langchain_experimental.graph_transformers import LLMGraphTransformerfrom langchain_core.documents import Document

2.3.2 数据加载与转换

# 1. 加载文本知识库（公司相关文本）current_dir = os.path.dirname(os.path.abspath(__file__))company_txt_path = os.path.normpath(os.path.join(current_dir, "doc", "company.txt"))withopen(company_txt_path, 'r', encoding="utf-8") as file:    content = file.read()documents = [Document(page_content=content)]# 2. 初始化LLMGraphTransformer（通过大模型自动提取实体与关系）graph_llm = ChatOpenAI(temperature=0, model_name="qwen-plus-2025-12-01", api_key=key, base_url=base_url)graph_transformer = LLMGraphTransformer(llm=graph_llm)# 3. 文本→图结构转换（实体：如Company、Technology；关系：如DEVELOPS、COOPERATES_WITH）graph_documents = graph_transformer.convert_to_graph_documents(documents)# 4. 插入Neo4j图数据库graph.add_graph_documents(graph_documents)print(f"成功插入{len(graph_documents)}个图文档，包含实体数：{len(graph_documents[0].nodes)}")

2.3.3 自动生成的图结构示例

实体类型	实体示例	关系类型	关系示例
Company	小米科技有限责任公司、华为技术有限公司	DEVELOPS	华为→DEVELOPS→鸿蒙操作系统
Technology	5G通信技术、智能手表芯片	COOPERATES_WITH	小米→COOPERATES_WITH→高通
Operating_system	鸿蒙操作系统、MIUI	ADOPTS	华为手机→ADOPTS→鸿蒙操作系统

2.4 Cypher查询优化：Few-shot提升准确性

图知识库的检索核心是Cypher语句生成，为避免大模型生成语法错误，系统通过Few-shot示例优化Cypher生成逻辑：

2.4.1 配置Few-shot示例与Prompt

from langchain_core.prompts import PromptTemplatefrom langchain_community.chains.graph_qa.cypher import GraphCypherQAChain# 1. Few-shot示例（覆盖常见查询场景）examples = [    {        "question": "都有哪些公司？",        "query": "MATCH (c:Company) RETURN c.id"    },    {        "question": "小米在技术创新方面有什么突破？",        "query": "MATCH (c:Company)-[r:DEVELOPS|INTRODUCES]->(t) WHERE c.id CONTAINS '小米' RETURN c.id as company, type(r) as relation, t.id as technology"    },    {        "question": "华为的鸿蒙操作系统有什么特点？",        "query": "MATCH (c:Company)-[:DEVELOPS]->(os:Operating_system) WHERE c.id CONTAINS '华为' RETURN os.id"    }]# 2. 构建Cypher生成Promptcypher_prompt_template = """You are a Neo4j Cypher expert. Generate syntactically correct Cypher queries.Schema:{schema}Important rules:1. Company names are stored as FULL names (e.g., "小米科技有限责任公司"). ALWAYS use CONTAINS for partial matching2. Use pattern: WHERE c.id CONTAINS 'keyword' instead of exact match3. For relationships, use [:DEVELOPS|INTRODUCES] for technology/products4. NEVER use undefined variables (like type(r) without defining r)Examples:{examples}Question: {question}Cypher:"""cypher_prompt = PromptTemplate(    template=cypher_prompt_template,    input_variables=["schema", "question"],    partial_variables={        "examples": "\n".join([f"Q: {ex['question']}\nCypher: {ex['query']}"for ex in examples])    })# 3. 创建Cypher QA Chaincypher_chain = GraphCypherQAChain.from_llm(    graph=graph,    cypher_llm=llm,    qa_llm=llm,    cypher_prompt=cypher_prompt,    validate_cypher=True,  # 开启Cypher语法校验    allow_dangerous_requests=True)

2.4.2 优化效果

通过Few-shot示例，大模型生成Cypher的准确率提升60%以上，避免了“实体名称精确匹配失败”“关系类型错误”等常见问题。

3 本地Docker部署：Milvus向量数据库搭建

3.1 部署准备

• • 依赖环境：Docker已启动（Docker Compose中包含Milvus及依赖的etcd、minio服务）；
• • 核心端口：19530（GRPC端口，代码连接核心）、9091（HTTP端口，可选）；
• • 初始配置：无默认用户名密码，直接通过URI连接。

3.2 启动与验证

1. 1. 启动服务：通过Docker Compose启动Milvus（命令参考第一篇）；
2. 2. 日志验证：执行docker logs rag-milvus，输出“Milvus is ready”即启动成功；
3. 3. 代码连接验证：通过LangChain的Milvus类测试连接，核心代码：

from langchain_milvus import Milvusfrom langchain_core.embeddings import Embeddings# 1. 初始化DashScope Embeddings（生成文本向量）class DashScopeEmbeddings(Embeddings):    def__init__(self, model: str, api_key: str):        self.model = model        self.api_key = api_key    # 实现embed_documents和embed_query方法（参考项目代码）embeddings = DashScopeEmbeddings(model="text-embedding-v4", api_key=key)# 2. 连接Milvus并创建集合vectorstore = Milvus(    embedding=embeddings,    connection_args={"uri": "http://localhost:19530"},    collection_name="company_milvus",    drop_old=True# 测试时删除旧集合，生产环境设为False)print("Milvus连接成功！")

3.3 向量索引构建：文档分块与向量插入

向量库的核心是“文本分块→向量生成→索引构建”，系统通过RecursiveCharacterTextSplitter实现合理分块，提升检索精度：

3.3.1 核心流程代码

from langchain_text_splitters import RecursiveCharacterTextSplitter# 1. 文档分块（关键参数：chunk_size=250，chunk_overlap=30）text_splitter = RecursiveCharacterTextSplitter(    chunk_size=250,  # 每个文本块最大长度（字符数）    chunk_overlap=30,  # 文本块重叠长度（避免上下文断裂）    length_function=len)splits = text_splitter.split_documents(documents)  # documents为之前加载的公司文本print(f"文档分块完成，共生成{len(splits)}个文本块")# 2. 向量插入与索引构建（自动生成向量并创建IVF_FLAT索引）vectorstore = Milvus.from_documents(    documents=splits,    collection_name="company_milvus",    embedding=embeddings,    connection_args={"uri": "http://localhost:19530"},    drop_old=True)print("Milvus向量索引构建完成！")

3.3.2 分块策略优化说明

• • chunk_size=250：适配中文文本，确保每个块包含完整的语义单元（如一个公司的某段技术介绍）；
• • chunk_overlap=30：避免拆分连续语义（如“鸿蒙操作系统的特点”被拆分为两个块）；
• • 索引类型：默认使用IVF_FLAT索引，适合中小规模数据（10万条以内），查询速度快且配置简单。

3.4 向量检索配置：Retriever与RAG链构建

Milvus向量库通过as_retriever()方法生成检索器，结合RAG链实现“检索→生成”的闭环：

3.4.1 核心代码

from langchain_core.prompts import PromptTemplatefrom langchain_core.output_parsers import StrOutputParser# 1. 构建检索器（设置返回Top2相关文本块）retriever = vectorstore.as_retriever(search_kwargs={"k": 2})# 2. 构建RAG生成Prompt（限制响应长度，确保简洁）prompt = PromptTemplate(    template="""You are an assistant for question-answering tasks.     Use the following pieces of retrieved context to answer the question. If you don't know the answer, just say that you don't know.     Use three sentences maximum and keep the answer concise:    Question: {question}     Context: {context}     Answer:     """,    input_variables=["question", "context"],)# 3. 构建RAG链（检索→Prompt→生成→解析）rag_chain = prompt | graph_llm | StrOutputParser()# 4. 测试检索与生成user_question = "苹果公司的环保目标是什么？"docs = retriever.invoke(user_question)  # 向量检索response = rag_chain.invoke({"context": docs, "question": user_question})  # 生成响应print(f"检索结果：{response}")

3.4.2 检索参数优化

• • search_kwargs={“k”: 2}：返回Top2最相关的文本块，既保证信息充分，又避免冗余；
• • 向量维度：使用DashScope的text-embedding-v4模型，生成768维向量，平衡检索精度与存储成本。

4 混合知识库协同逻辑：何时用图库？何时用向量库？

4.1 核心决策规则

系统通过Supervisor的路由规则，决定不同需求对应的知识库调用策略：

1. 1. 关系型需求（如“谁和谁有关系”“某公司的技术突破”）→ 调用Neo4j图库（graph_kg代理）；
2. 2. 细节型需求（如“某公司的具体目标”“文本中的关键信息”）→ 调用Milvus向量库（vec_kg代理）；
3. 3. 混合需求（如“华为的鸿蒙系统有什么特点，与哪些设备适配”）→ 先调用图库（关系适配）+ 再调用向量库（特点细节）。

4.2 协同执行示例

用户需求：“华为的鸿蒙操作系统有什么特点？适配哪些智能设备？”

1. 1. Supervisor调度graph_kg代理：生成Cypher查询“鸿蒙系统适配的设备”，从Neo4j获取关系数据（如“鸿蒙→适配→华为手机、华为手表”）；
2. 2. Supervisor调度vec_kg代理：检索“鸿蒙系统特点”的相关文本，从Milvus获取细节信息（如“分布式架构、兼容安卓应用”）；
3. 3. Supervisor调度chat代理：整合两个知识库的结果，生成统一自然语言响应。

4.3 双库协同优势

• • 精度提升：关系查询走图库，细节查询走向量库，避免单一知识库的“偏科”问题；
• • 效率优化：无需遍历全量文本，图库通过关系路径快速定位，向量库通过语义快速匹配；
• • 鲁棒性增强：一个知识库查询失败时，可切换另一个知识库兜底（如vec_kg查不到时，尝试graph_kg）。

5 常见问题与优化技巧

5.1 Neo4j图库常见问题

5.1.1 Cypher生成错误

• • 原因：大模型对图结构不熟悉，未使用CONTAINS进行模糊匹配；
• • 解决：增加Few-shot示例，强制Prompt中明确“使用CONTAINS进行公司名称匹配”。

5.1.2 实体重复或关系错乱

• • 原因：文本中同一公司有多个名称（如“华为”“华为技术有限公司”）；
• • 解决：在文本预处理阶段统一实体名称，或在Prompt中提示“合并相似公司名称”。

5.2 Milvus向量库常见问题

5.2.1 检索结果不精准

• • 原因：文档分块过大/过小，或嵌入模型维度不匹配；
• • 解决：调整chunk_size（建议200-300字符），更换更高精度的嵌入模型（如text-embedding-v4）。

5.2.2 向量插入失败

• • 原因：Milvus服务未启动，或连接URI错误（需使用GRPC端口19530）；
• • 解决：检查Docker容器状态，确保connection_args={“uri”: “http://localhost:19530”}。

5.3 性能优化技巧

1. 1. 图库优化：为Neo4j的常用实体属性（如Company.id）创建索引，提升查询速度；
2. 2. 向量库优化：大数据量（10万条以上）时，将索引类型改为HNSW，配置index_params={"M": 16, "efConstruction": 200}；
3. 3. 缓存策略：对高频查询结果建立缓存，避免重复检索，提升响应速度。

AI时代，未来的就业机会在哪里？

答案就藏在大模型的浪潮里。从ChatGPT、DeepSeek等日常工具，到自然语言处理、计算机视觉、多模态等核心领域，技术普惠化、应用垂直化与生态开源化正催生Prompt工程师、自然语言处理、计算机视觉工程师、大模型算法工程师、AI应用产品经理等AI岗位。

掌握大模型技能，就是把握高薪未来。

那么，普通人如何抓住大模型风口？

AI技术的普及对个人能力提出了新的要求，在AI时代，持续学习和适应新技术变得尤为重要。无论是企业还是个人，都需要不断更新知识体系，提升与AI协作的能力，以适应不断变化的工作环境。

因此，这里给大家整理了一份《2026最新大模型全套学习资源》，包括2026最新大模型学习路线、大模型书籍、视频教程、项目实战、最新行业报告、面试题、AI产品经理入门到精通等，带你从零基础入门到精通，快速掌握大模型技术！

由于篇幅有限，有需要的小伙伴可以扫码获取！

1. 成长路线图&学习规划

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。这里，我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。

2. 大模型经典PDF书籍

书籍和学习文档资料是学习大模型过程中必不可少的，我们精选了一系列深入探讨大模型技术的书籍和学习文档，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。（书籍含电子版PDF）

3. 大模型视频教程

对于很多自学或者没有基础的同学来说，书籍这些纯文字类的学习教材会觉得比较晦涩难以理解，因此，我们提供了丰富的大模型视频教程，以动态、形象的方式展示技术概念，帮助你更快、更轻松地掌握核心知识。

4. 大模型项目实战

学以致用 ，当你的理论知识积累到一定程度，就需要通过项目实战，在实际操作中检验和巩固你所学到的知识，同时为你找工作和职业发展打下坚实的基础。

5. 大模型行业报告

行业分析主要包括对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

6. 大模型面试题

面试不仅是技术的较量，更需要充分的准备。

在你已经掌握了大模型技术之后，就需要开始准备面试，我们将提供精心整理的大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

为什么大家都在学AI大模型？

随着AI技术的发展，企业对人才的需求从“单一技术”转向 “AI+行业”双背景。企业对人才的需求从“单一技术”转向 “AI+行业”双背景。金融+AI、制造+AI、医疗+AI等跨界岗位薪资涨幅达30%-50%。

同时很多人面临优化裁员，近期科技巨头英特尔裁员2万人，传统岗位不断缩减，因此转行AI势在必行！

这些资料有用吗？

这份资料由我们和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

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技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

大模型全套学习资料已整理打包，有需要的小伙伴可以微信扫描下方CSDN官方认证二维码，免费领取【保证100%免费】