Neo4j bringt GraphRAG-Kit und Explorer für individuelle Wissensgraphen auf den Markt

Von Dokumenten zu einem vernetzten Graphen

Das Projekt greift eine typische Entwicklung auf, die Neo4j AI Developer Advocate Zaid Zaim beschreibt: Nutzer beginnen mit Dateien, erstellen mit Document Intelligence einen Wissensgraphen und müssen diesen anschließend mit einer Anwendung verbinden. Document Intelligence wandelt Dateien innerhalb von Neo4j Aura in einen Graphen um. Dazu gehören Quelldateien, mit Embeddings versehene Abschnitte, extrahierte Entitäten und Beziehungen sowie Verknüpfungen von den Entitäten zurück zu den Textpassagen und PDFs, aus denen sie stammen.

Zaim testete den Ablauf mit 240 veröffentlichten Dokumenten über UFO-Sichtungen. Das Material umfasst getippte Berichte und Memos. Einzelne Sichtungen können dabei in Zeugenaussagen, Geheimdienstzusammenfassungen und geschwärzten Memos auftauchen, die sich widersprechen. Von 10.214 vorbereiteten Seiten verfügten 6.759 über eine nutzbare Textebene, 1.499 benötigten OCR und 1.956 wurden als unleserlich eingestuft. Der daraus entstandene Graph enthielt 54.044 Datensätze, 58.429 Beziehungen und 24.971 Textpassagen.

Ein Kit für Anwendungen und agentische Suche

graph-explorer-kit basiert auf Neo4j’s Bibliothek neo4j-graphrag und hält die Domänenkonfiguration eines Projekts in einer Python-Datenklasse namens ProjectSpec. Die Konfiguration umfasst das Schema, Regeln für die Extraktion, Beispiel-Cypher-Abfragen und Ausgangsfragen. Entwickler können einen Retriever aus ihrem eigenen Code aufrufen, seine Werkzeuge einem Agenten bereitstellen oder die HTTP-API verwenden.

Der Endpunkt /api/ask gibt eine Antwort, den abgerufenen Kontext und den zugehörigen Graphkontext als JSON zurück. /api/ask/stream stellt denselben Ablauf als serverseitig gesendete Ereignisse bereit. Der Agent kann eine hybride Suche aus Vektor-, Volltext- und Graphsuche verwenden, Cypher zum Zählen und Auflisten von Treffern ausführen, eine Entität nachschlagen oder die Graphübersicht untersuchen. Schreibvorgänge werden vom Cypher-Tool abgewiesen.

Neo4j zufolge kann der Graph Fragen beantworten, die eine einzelne Textpassage nicht abdecken kann. Im Beispiel aus New Mexico beschreibt eine Passage, was Zeugen gesehen haben, während eine andere die ermittelnde Behörde nennt. Der Graph verbindet diese Details über ein Ereignis, seinen Ort, die Behörde und die Beobachtung eines Zeugen. Entwickler können zwischen den Suchstrategien Vektor, hybrid, Vektor und Graph, hybrid mit Graph oder text2cypher wählen.

Explorer ergänzt eine visuelle Oberfläche

Der Graph Explorer greift als Client auf dieselbe API zu und wird durch das Ausführen von graphrag-serve in einem Browser geöffnet. Während das Modell schreibt, zeigt er zuerst passende Textpassagen, gefolgt von extrahierten Entitäten und benachbarten Datensätzen in einem Hop. Zu den Ansichten gehören ein Graph verbundener Datensätze, Label-Typen, Schemadetails und eine Zeitleiste datierter Ereignisse.

Nutzer können in derselben Aura-Instanz Folgefragen stellen und ein neu veröffentlichtes PDF hinzufügen. Gescannte Dokumente werden per OCR verarbeitet, neu hinzugefügte Graphinhalte werden hervorgehoben. Neo4j weist darauf hin, dass die Ringe des verbundenen Graphen Kontext darstellen und nicht jede einzelne Aussage nachverfolgen. Außerdem können verrauschte Scans falsche Datensätze erzeugen, etwa Behördennamen, die aus Datumsangaben gelesen wurden.

Das Projekt ist über das Repository graph-explorer-kit verfügbar. Die Anleitung beschreibt das Klonen des Projekts, die Konfiguration von Neo4j und den Modelleinstellungen, die Vorbereitung des Graphen und den Start des lokalen Servers. Das Kit unterstützt Chat- und Embedding-Modelle von Microsoft Foundry oder OpenAI. Neo4j zufolge bietet der Ansatz Entwicklern einen Weg von ihren eigenen Dokumenten und ihrem Schema zu einer Anwendung, die semantische Suche, Graphbeziehungen und eine interaktive Ansicht kombiniert.