一.節點

1.新建節點

create (n:GroupProduct {name:'都邦高保額團意險',description: "保險產品名稱"} ) return n

CREATE：Neo4j 的關鍵字，用于創建新節點或關系。

(n:GroupProduct)：
n 是節點的臨時別名（變量名），方便在return中引用,創建完成之后就沒用了。

GroupProduct 是節點的標簽（Label），用于分類節點（如 Person, Product 等）。

{name:'都邦高保額團意險',description: "保險產品名稱"}
節點的屬性（Properties），鍵值對形式：

RETURN n：
返回新創建的節點 n，用于驗證操作是否成功。

2.已有節點創建關系

MATCH (a:GroupProductA {name:'保高空'}), (b:GroupProduct {name:'都邦高保額團意險'})
CREATE (a)-[:INCLUDE {restrict: "涉電及高空作業按6類可承保"}]->(b)

變量名可以隨意定義,只要能區分出來兩個節點的區別,簡短有意義

關系名稱INCLUDE: 也可以隨意定義,最好是能夠見名知意,最好定義統一的團隊規范

關系也可以添加屬性: 比如表明這個關系有什么限制條件

使用箭頭 -> 表示從左到右的關系方向

3.刪除節點

MATCH (n:GroupProductA {name:'保高空' })
DETACH DELETE n

4.查詢節點之間的相鄰節點

MATCH (startNode {屬性名: 值})-[:關系類型*..N]-(relatedNode)
RETURN startNode, relatedNode

例如:

MATCH (a {name: "保高空"})-[*..1]-(b)
RETURN a,b

關鍵參數說明

參數	說明	示例
*	表示遍歷任意深度的關系（包括直接關聯和間接關聯）。	-[*] 表示所有層級關聯。
*..N	最大遍歷深度。例如 *..2 表示遍歷 1 層或 2 層關聯。	-[:EXCLUDES*..2] 最多找兩跳關聯。
-[]->	單向遍歷（從左到右）。	(a)-[:PARENT_OF]->(b) 只找 a 的子節點。
<-[]-	反向遍歷（從右到左）。	(a)<-[:CHILD_OF]-(b) 找到 b 的父節點。

?注意事項

性能問題：遍歷深度（如 *..N）越大，查詢耗時越長，建議根據需求限制深度。
方向性：若關系是單向的（如 EXCLUDES），需注意方向（如 ()-[:EXCLUDES]->()）。

屬性唯一性：確保查詢的屬性（如 product_id）是唯一標識符，否則可能返回多個節點。

5.對已創建好的節點添加屬性

MATCH (a:GroupProductA {name:'保高空' })
SET a+= { embedding: [] }
RETURN b;

二.節點向量存儲和檢索

1.節點需要添加向量數組

可以選擇一開添加節點的時候加一個向量屬性

create (n:GroupProductA {name:'保高空',description: "保險產品可以保高空作業",embedding: [向量的具體值]}) return n

或者后續添加

MATCH (a:GroupProductA {name:'保高空' })
SET a+= { embedding: [向量具體數值] }
RETURN b;

2.給節點增加向量索引

CREATE VECTOR INDEX 索引名稱 IF NOT EXISTS
FOR (具體的節點標簽)
ON n.embedding
OPTIONS { indexConfig: {
?`vector.dimensions`: 向量維度數值,
?`vector.similarity_function`: 向量計算方法
}}

例如:

CREATE VECTOR INDEX HighDutyIdx IF NOT EXISTS
FOR (n:HighDuty)
ON n.embedding
OPTIONS { indexConfig: {
?`vector.dimensions`: 1536,
?`vector.similarity_function`: 'cosine'
}}

3.計算向量余弦相似度

MATCH (a:GroupProductA)
WHERE a.embedding IS NOT NULL
WITH n,
???? // 計算向量余弦相似度或歐氏距離
???? vector.similarity.cosine(n.embedding, [0.1, 0.2, ...]) AS similarity
RETURN n.name, similarity
ORDER BY similarity DESC
LIMIT 10;

4.查詢兩個節點的向量相似度

MATCH (a:GroupProductA {name: '保高空'})
MATCH (b:GroupProductA {name:'團意'})
RETURN vector.similarity.cosine(a.embedding, b.embedding)

5.查詢所有向量索引

SHOW VECTOR INDEXES

6.刪除指定向量索引

DROP INDEX moviePlots

三.RAG向量檢索最佳實踐

1.先查詢出所有符合的向量節點,有個閾值,比如大于0.8的查詢出所有符合的節點

2.然后再通過這些符合的節點,根據節點之間的關系,找到想要查詢出來的節點屬性

3.根據查詢出來的節點屬性和用戶問題,給大模型總結