封面图说明：GraphRAG架构示意——左侧是文档图谱化，中间是双路召回，右侧是重排序后的精准回答。

一、传统向量检索的局限：无法处理多跳关系和实体关联

• “这台手机支持的内存卡是不是和上一代通用？”
• “我家宝宝对花生过敏，这款零食礼盒里的饼干能吃吗？”
• “如果我退货时选‘不喜欢’，运费险还能理赔吗？”

用户问：“上周买的蓝牙耳机，左耳没声音，应该走维修还是换新？”

二、图数据库+向量双路召回架构

2.1 双路召回的价值

2.2 电商知识图谱中的核心实体与关系

// 查询订单关联的售后规则
MATCH (o:订单 {orderId:'D123456'})
MATCH (o)-[:包含]->(p:商品)
MATCH (p)-[:属于]->(c:品类)
MATCH (r:规则)-[:适用]->(c)
WHERE datetime(o.createTime) > datetime(r.effectiveDate)
RETURN r.content, p.title

三、使用Neo4j与LlamaIndex构建知识图谱的代码示例

3.1 环境准备

pip install neo4j llama-index llama-index-graph-stores-neo4j openai

3.2 构建知识图谱

from llama_index.core import SimpleDirectoryReader, Document
from llama_index.core.node_parser import SentenceSplitter
from llama_index.graph_stores.neo4j import Neo4jGraphStore
from llama_index.core.indices.property_graph import PropertyGraphIndex
from llama_index.core.schema import TextNode
import json
连接Neo4j（本地或云端）
neo4j_url = "bolt://localhost:7687"
neo4j_user = "neo4j"
neo4j_password = "your_password"
graph_store = Neo4jGraphStore(
 url=neo4j_url,
 username=neo4j_user,
 password=neo4j_password,
 database="neo4j",
)
模拟电商商品/规则文档
doc_parts = [
 {
 "text": "商品A_001 是全能运动耳机，防水等级IPX7，支持蓝牙5.2，配有充电盒。",
 "entities": ["商品A_001", "IPX7", "蓝牙5.2"],
 "relations": [("商品A_001", "具有能力", "防水"), ("商品A_001", "支持协议", "蓝牙5.2")],
 },
 {
 "text": "7天内出现性能故障，用户可选择换货或退货；15天内可选择维修。",
 "entities": ["7天", "性能故障", "换货", "退货", "15天", "维修"],
 "relations": [("性能故障", "触发售后", "换货"), ("性能故障", "触发售后", "退货"), ("性能故障", "触发售后", "维修")],
 },
 {
 "text": "运动耳机类目退货规则：如果包装完好在签收后7天内，可无理由退货。",
 "entities": ["运动耳机", "包装完好", "7天", "无理由退货"],
 "relations": [("运动耳机", "适用规则", "无理由退货"), ("无理由退货", "条件要求", "包装完好")],
 },
]
nodes = []
for part in doc_parts:
 node = TextNode(text=part["text"], metadata={"source": "manual"})
 # 简单起见，这里用node.metadata保存实体和关系；生产环境建议用EntityExtractor
 node.metadata["entities"] = part["entities"]
 node.metadata["relations"] = part["relations"]
 nodes.append(node)
插入到图存储（简化示意，真实实现需接入entity resolve/LLM抽取）
for node in nodes:
 graph_store.upsert_triplets(node.metadata.get("relations", []))
 graph_store.upsert_node(node)
print(f"成功导入 {len(nodes)} 个节点片段到Neo4j")

3.3 创建GraphRAG索引并检索

from llama_index.core.indices.property_graph import SchemaLLMPathExtractor
使用LLM自动抽取实体关系（需OPENAI_API_KEY）
from llama_index.llms.openai import OpenAI
llm = OpenAI(model="gpt-4o", temperature=0)
传入原始文档
index = PropertyGraphIndex.from_documents(
 documents=[Document(text=d["text"]) for d in doc_parts],
 kg_extractors=[
 SchemaLLMPathExtractor(
 llm=llm,
 possible_entities=["商品", "订单", "规则", "属性", "售后单"],
 possible_relations=["具有", "支持", "触发", "适用", "包含"],
 )
 ],
 property_graph_store=graph_store,
)
使用默认的混合检索（向量+图路径）
retriever = index.as_retriever(similarity_top_k=5)
resp = retriever.retrieve("运动耳机7天内包装完好能否退货？")
for r in resp:
 print(f"分数: {r.score:.3f} | 文本: {r.text[:60]}")

3.4 同时显式执行Cypher查询进行图路召回

from neo4j import GraphDatabase
driver = GraphDatabase.driver(neo4j_url, auth=(neo4j_user, neo4j_password))
def graph_search(question_entities: list):
 cypher_query = """
 MATCH (a)-[r]-(b)
 WHERE a.name IN $entities OR b.name IN $entities
 RETURN a.name AS from, type(r) AS rel, b.name AS to
 LIMIT 20
 """
 with driver.session() as session:
 result = session.run(cypher_query, entities=question_entities)
 return [dict(record) for record in result]
假设从用户问题中识别出实体 ["运动耳机", "包装完好", "7天"]
graph_results = graph_search(["运动耳机", "包装完好", "7天"])
for row in graph_results:
 print(row)
driver.close()

四、结果重排序策略

4.1 常见Rerank策略对比

4.2 工程实践中的混合重排序流程

from sentence_transformers import CrossEncoder
使用轻量reranker（如bge-reranker-base）
reranker = CrossEncoder("BAAI/bge-reranker-base")
def hybrid_rerank(question: str, vector_hits: list, graph_hits: list) -> list:
 # 将图路径转化为文本片段
 graph_texts = []
 for g in graph_hits:
 graph_texts.append(f"{g['from']} - {g['rel']} - {g['to']}")
 all_candidates = list(set([hit.text for hit in vector_hits] + graph_texts))
 pairs = [(question, doc) for doc in all_candidates]
 scores = reranker.predict(pairs)
 # 按分数降序排列
 sorted_idx = sorted(range(len(scores)), key=lambda i: scores[i], reverse=True)
 return [all_candidates[i] for i in sorted_idx[:5]]
final_context = hybrid_rerank(
 "运动耳机7天内包装完好能否退货？",
 vector_hits=resp,
 graph_hits=graph_results,
)
print("\n最终送入LLM的上下文：")
for doc in final_context:
 print("-", doc[:80])

4.3 生成答案

from llama_index.core.response_synthesizers import TreeSummarize
synthesizer = TreeSummarize(llm=llm, verbose=True)
answer = synthesizer.get_response(
 "根据上下文回答用户问题。请引用你依据的规则。",
 ["\n".join(final_context)]
)
print("客服回复：", answer)

五、电商退货场景效果提升案例

5.1 场景定义

“耳机在跑步时进水坏了，但我是朋友送的，没发票，还能保修吗？”

5.2 基线VS GraphRAG上线后效果

5.3 具体转化示例

• 传统RAG：返回“品退标准：不喜欢可7天无理由退货”
• GraphRAG：额外发现订单中的商品属于“已拆包装且激活”状态，根据图谱中“商品-订单-规则”链上的限定条件“激活后不支持无理由退货”，正确拦截了9.2%的不符合条件订单。

• 图谱路径：订单 → 用户 → 售后服务政策 → 是否需发票
• 规则实体：“非质量问题退换货需提供购买凭证”与“质量问题在三包范围内凭借保修卡即可”形成并列路径。GraphRAG通过路径条件分支给出了：“您无发票但可凭电子订单直接联系赠与人获取购买人授权”的个性化回复。

六、操作清单

• 梳理客服领域高频问题中哪些属于多跳关系（“如果A且B是否C”型涉及规则树）
• 设计实体清单：商品、订单、用户、售后单、规则、属性，先只建核心字段
• 选择适合的图数据库（Amazon Neptune/Neo4j/Memgraph均可，先本地做PoC）
• 准备好Embedding模型，保证中英文或属性搜索的语义召回质量
• 搭建双路召回基础框架：Cypher+SentenceTransformer两个独立服务
• 开发实体抽取模块，可用LLM离线抽取历史客服对话中的实体关系
• 实现RRF或Linear融合，建议先RRF节省调参时间
• 评测集构建：收集200条多跳问题并标注标准答案
• 设置链路日志：查询、召回顺序、最终上下文、生成答案全部落库
• 对比纯RAG基线，关注多跳正确率与人工转接率两个关键指标

七、避坑指南

八、推荐视频（标注出处）

以下视频均为行业公开内容，点击前请验证链接有效性，版权归原作者所有。

• B站｜GraphRAG原理与一键部署（AI工匠老王）

• 腾讯视频｜Neo4j图数据库从入门到实践（图数据库学堂）

• 优酷｜图谱+LLM在智能客服领域的应用（阿里云AI公开课）

• 抖音｜30秒看懂GraphRAG（科技早发车）

九、免责声明