Neo4j支持新图查询标准，助力AI时代数据访问

AI搜索需要查询组织中的结构化和非结构化数据，而结构化数据不仅包括SQL主导的关系数据库，还包括存储实体间关系的图数据库。图数据库中的条目无法向量化，这排除了生成式AI对此类数据库内容进行自然语言查询的相似性搜索响应，SQL也无法使用。

Neo4j认为它找到了让生成式AI访问其图数据库记录的方法。我们采访了生成式AI创新负责人Andreas Kollegger，了解更多详情。

图数据库与关系数据库的差异

图数据库在数据建模和查询方面采用了不同的方法，专注于数据点之间的关系与数据本身同样重要的用例。它们不仅存储数据，还编码事物关联的语义。这就是图数据库在欺诈检测、推荐引擎、供应链瓶颈分析等场景中表现出色的原因。

关系数据库旨在将结构化数据存储在表中并执行聚合、求和或过滤操作，更适用于会计系统、库存管理、客户记录等事务性应用。在关系数据库中，发现复杂洞察往往需要复杂的JOIN操作和多个查询，随着连接数量的增加变得繁重和低效。然而，图数据库允许直接遍历关系，揭示原本被埋没的洞察。

图查询语言标准化进展

多年来，图数据库缺乏单一的通用查询语言。然而，2024年4月，随着ISO批准的图查询语言(GQL)标准的发布，这一状况发生了改变。GQL是一个跨平台查询图的具体标准，获得了广泛的行业支持。它与Cypher紧密对齐，对SQL用户来说也很熟悉，使得采用变得简单。

Neo4j的Cypher查询语言

Neo4j使用Cypher作为其查询语言，该语言已自然演进为完全符合GQL标准的实现。Cypher设计得可读性强、直观易懂。通过匹配节点与关系的模式，用户可以轻松导航连接的数据，无需编写复杂的JOIN操作。

例如，查找与汤姆·汉克斯相关的所有电影及其关系类型：

```

MATCH (tom:Person {name:'Tom Hanks'})-[r]->(m:Movie)

RETURN type(r) AS type, m.title AS movie

```

生成式AI作为自然语言接口

生成式AI大语言模型可以通过首先解释问题意图，然后将其翻译成正确的查询结构，将自然语言请求映射到Cypher查询。这个过程通常包括三个步骤：意图提取、查询生成和执行后处理。

例如，用户询问"哪些客户在上个月同时购买了产品X和产品Y？"，生成式AI系统可以自动生成适当的MATCH和WHERE子句。

向量化的局限性

将图数据库完全向量化会失去其原生结构和语义。向量将数据转换为数值形式，非常适合相似性搜索、机器学习或嵌入文档和图像。然而，图数据库编码节点之间的显式关系，这些关系可以被遍历和分析。

Neo4j确实将原生向量搜索集成为其核心数据库功能的一部分，这种方法结合了基于向量的AI/ML任务方法的优势与图数据库固有强大的丰富可遍历关系。

多模态数据查询的智能体方案

现代AI智能体可以充当编排者，将复杂查询分解为针对每种数据存储量身定制的专门子查询：

- 关系数据库：智能体可以生成SQL查询来过滤、连接和聚合结构化表

- 图数据库：智能体可以将查询的相关部分翻译成Cypher，以发现平面表中不明显的模式或连接

- 非结构化数据：由大语言模型驱动的智能体可以使用向量嵌入来查找语义相关信息

智能体然后聚合结果，使用GraphRAG等检索机制，利用知识图谱的结构在合成连贯响应之前提取相关节点和关系。这种混合方法使用户能够利用每种数据范式的优势，提供比任何单一数据库都更快、更丰富的洞察。

Q&A

Q1：图数据库相比关系数据库有什么优势？

A：图数据库专注于数据点之间的关系与数据本身同样重要的用例，不仅存储数据还编码事物关联的语义。它们在欺诈检测、推荐引擎、供应链瓶颈分析等场景中表现出色，可以直接遍历关系揭示洞察，而关系数据库需要复杂的JOIN操作。

Q2：GQL标准对图数据库发展有什么意义？

A：2024年4月ISO批准的图查询语言(GQL)标准是图数据库发展的重要里程碑。它提供了跨平台查询图的统一标准，获得广泛行业支持，与Cypher紧密对齐且对SQL用户友好，这将显著推动图技术在企业中的广泛采用。

Q3：生成式AI如何帮助普通用户使用Neo4j图数据库？

A：生成式AI大语言模型可以将自然语言请求自动转换为Cypher查询，用户无需学习专门的查询语言。通过意图提取、查询生成和执行后处理三个步骤，用户可以用对话方式与图数据交互，Neo4j的工具还提供拖拽式界面，让任何人都能探索复杂的连接数据。