Neo4j + Graph RAG 医疗知识图谱工程实践：患者教育问答真正需要的是“关系可追溯”

做医疗患者教育问答时，很多团队第一反应是把科普文章、指南摘要、院内宣教材料全部切片，然后丢进向量库。用户问“高血压要看哪个科”“为什么建议做血压监测”“糖尿病患者教育材料应该关联哪些检查”，系统就从文档里召回几段相似文本，再让大模型总结。

这条路能跑通，但很快会遇到一个问题：患者教育知识不是只有“文本相似”，还有大量“实体关系”。

比如“高血压”不是孤立的一段说明，它可能关联到常见表现、风险器官、建议就诊科室、常见检查、生活方式教育材料、随访提醒。用户真正想问的也不一定是“高血压是什么”，而是：

• 高血压相关的患者教育材料有哪些？
• 哪些疾病主题会关联到血压监测？
• 某个症状常被哪些健康主题提到？
• 为什么这个主题会被分到心内科患者教育？
• 一个健康主题、一个检查项目、一份宣教材料之间是什么关系？

这些问题如果只靠向量检索，答案往往依赖大模型在多段文本之间临时拼关系；如果关系没有被同一段文本完整写出来，模型就容易漏掉、猜测或者答得含糊。Graph RAG 的价值就在这里：它不是替代医生，也不是让模型做诊断，而是把患者教育知识里的“疾病主题、症状、检查、科室、材料”建成一张可查询的关系网络，让 RAG 的检索结果从“相似文本”升级为“可追溯关系”。

这篇文章的主结论是：

医疗患者教育场景中的 Graph RAG，核心不是让大模型懂医学，而是把医学科普材料中的实体和关系结构化，让系统能回答“谁关联谁、为什么关联、从哪里追溯”的问题。工程上真正要做稳的是图谱 schema、关系方向、Cypher 生成约束、只读安全、证据来源和医疗边界。

本文只讨论患者教育和知识库检索，不讨论自动诊断、处方推荐、治疗决策。文中的疾病、检查、科室关系是工程建模示例，不能替代医生判断。

为什么医疗患者教育问答不只是“找相似文档”

普通 RAG 的基本流程是：文档切分、生成 Embedding、向量检索、把召回片段塞给大模型生成答案。它适合回答“这份材料里怎么解释某个概念”这类问题。

但医疗患者教育里常见的问题经常不是单点解释，而是关系型查询。

举个例子，用户问：

高血压患者教育应该覆盖哪些检查和宣教材料？

如果你的知识库里有很多文章，向量检索可能召回“高血压介绍”“家庭血压监测”“低盐饮食建议”“心血管风险管理”等片段。问题是，系统并不知道这些片段之间的结构关系。它只能把几个片段拼给模型，让模型自己判断哪些属于检查、哪些属于宣教材料、哪些只是背景说明。

如果改成图谱建模，知识可以表达为：

• 高血压 关联 血压测量
• 高血压 归属 心内科
• 高血压 关联 家庭血压监测教育
• 高血压 关联 生活方式管理教育
• 血压测量 是 检查项目
• 家庭血压监测教育 是 患者教育材料

这时用户问“覆盖哪些检查和宣教材料”，系统可以沿着明确关系查，而不是让模型在文本里猜。

1flowchart LR
2  Q[用户问题] --> V[向量检索]
3  Q --> G[图谱检索]
4
5  V --> V1[返回语义相似段落]
6  V1 --> V2[模型从段落中归纳关系]
7
8  G --> G1[查询疾病主题相关实体]
9  G1 --> G2[返回检查 科室 材料等结构化关系]
10
11  V2 --> A[答案依赖上下文完整性]
12  G2 --> B[答案可追溯到图谱路径]
13

这不是说向量检索没用。医疗知识库里有大量长文、解释性文本、注意事项、患者问答，向量检索仍然是基础能力。Graph RAG 解决的是另一类问题：当用户问的是关系、路径、层级、依赖和解释链路时，图谱比文本片段更可靠。

先把边界说清楚：这不是临床决策系统

医疗场景最容易犯的错误，是把“患者教育问答”做着做着变成“自动诊断和用药建议”。这条边界必须从架构设计开始就写清楚。

本文示例系统只做三类事情：

1. 帮用户理解患者教育材料里的概念关系。
2. 帮医院、健康管理机构或知识库团队组织宣教内容。
3. 根据已有知识图谱回答“某主题关联哪些症状、检查、科室、材料”这类检索问题。

它不做这些事情：

• 不根据个人症状给诊断结论。
• 不推荐药物、剂量或治疗方案。
• 不判断检查结果是否正常。
• 不替代医生、护士、药师或其他专业人员。

例如，CDC 介绍高血压时明确提醒高血压通常没有明显症状，但可能影响心脏、大脑、肾脏和眼睛等器官；CDC 的糖尿病患者教育材料也把症状、检测和自我管理教育分成不同主题。我们可以把这些公开患者教育资料作为知识来源，但系统输出时必须保持“教育和检索”定位，而不是做临床判断。

在工程上，这意味着答案生成 prompt 里必须有类似约束：

1你是患者教育知识库助手，只能基于检索结果解释知识关系。
2不要给出诊断结论、治疗方案、药物剂量或个体化医疗建议。
3如果问题涉及症状判断、检查解读或治疗决策，应建议用户咨询合格医疗专业人员。
4

这个约束不是免责声明装饰，而是产品边界。Graph RAG 能让知识关系更清晰，但不能把普通问答系统变成医疗器械级应用。

图谱 schema：先设计“能回答的问题”，再设计节点

很多人做知识图谱会犯一个错误：看到名词就建节点，看到两个词同段出现就连边。这样做出来的图很快变成一团噪声。

医疗患者教育知识图谱应该反过来设计：先确定要回答的问题，再设计实体和关系。

本文的示例目标是回答这类问题：

• 某个健康主题有哪些常见表现？
• 某个健康主题通常归属哪个科室宣教范围？
• 某个健康主题关联哪些检查项目？
• 某个健康主题有哪些患者教育材料？
• 某个检查项目被哪些健康主题引用？

因此我们只需要一个小而清晰的 schema：

关系可以先控制在四类：

这张图可以表示成：

1graph LR
2  H[Disease 高血压] -->|BELONGS_TO_DEPARTMENT| C[Department 心内科]
3  H -->|RECOMMENDS_EXAM| BP[Exam 血压测量]
4  H -->|HAS_EDUCATION| E1[EducationMaterial 家庭血压监测教育]
5  H -->|HAS_EDUCATION| E2[EducationMaterial 生活方式管理教育]
6
7  D[Disease 2型糖尿病] -->|BELONGS_TO_DEPARTMENT| EN[Department 内分泌科]
8  D -->|HAS_SYMPTOM| S1[Symptom 口渴]
9  D -->|HAS_SYMPTOM| S2[Symptom 多尿]
10  D -->|RECOMMENDS_EXAM| A1[Exam 糖化血红蛋白]
11  D -->|HAS_EDUCATION| E3[EducationMaterial 血糖监测教育]
12

这里有两个关键判断。

第一，Disease 在这个系统里更准确地说是“患者教育健康主题”，不等同于临床诊断对象。它只代表知识库组织内容的主题。

第二，关系方向必须统一。比如所有主题都从 Disease 指向 Exam，不要一部分写成 (Exam)-[:USED_FOR]->(Disease)，另一部分写成 (Disease)-[:RECOMMENDS_EXAM]->(Exam)。关系方向混乱会直接导致 LLM 生成 Cypher 不稳定。

用 Cypher 初始化一张小型医疗患者教育图谱

下面用 Neo4j Cypher 建一个最小可运行图谱。为了避免重复执行产生重复节点，工程里推荐使用 MERGE，而不是教学 demo 常见的 CREATE。

1CREATE CONSTRAINT disease_name IF NOT EXISTS
2FOR (d:Disease)
3REQUIRE d.name IS UNIQUE;
4
5CREATE CONSTRAINT exam_name IF NOT EXISTS
6FOR (e:Exam)
7REQUIRE e.name IS UNIQUE;
8
9CREATE CONSTRAINT material_title IF NOT EXISTS
10FOR (m:EducationMaterial)
11REQUIRE m.title IS UNIQUE;
12

约束的作用不是“性能优化”这么简单。它首先保证同名实体不会被反复创建。知识图谱最怕实体重复，因为重复节点会让关系断裂。例如一个地方叫“2 型糖尿病”，另一个地方叫“2型糖尿病”，如果不做归一化，系统查询时会漏掉一半关系。

接着写入示例节点：

1MERGE (h:Disease {name: "高血压"})
2SET h.category = "患者教育主题"
3
4MERGE (d:Disease {name: "2型糖尿病"})
5SET d.category = "患者教育主题"
6
7MERGE (cardiology:Department {name: "心内科"})
8MERGE (endocrine:Department {name: "内分泌科"})
9
10MERGE (bp:Exam {name: "血压测量"})
11MERGE (a1c:Exam {name: "糖化血红蛋白"})
12MERGE (glucose:Exam {name: "血糖检测"})
13
14MERGE (thirst:Symptom {name: "口渴"})
15MERGE (urination:Symptom {name: "多尿"})
16
17MERGE (bpGuide:EducationMaterial {
18  title: "家庭血压监测教育",
19  type: "患者宣教"
20})
21
22MERGE (lifestyle:EducationMaterial {
23  title: "生活方式管理教育",
24  type: "患者宣教"
25})
26
27MERGE (glucoseGuide:EducationMaterial {
28  title: "血糖监测教育",
29  type: "患者宣教"
30})
31

然后写入关系：

1MATCH (h:Disease {name: "高血压"})
2MATCH (cardiology:Department {name: "心内科"})
3MATCH (bp:Exam {name: "血压测量"})
4MATCH (bpGuide:EducationMaterial {title: "家庭血压监测教育"})
5MATCH (lifestyle:EducationMaterial {title: "生活方式管理教育"})
6MERGE (h)-[:BELONGS_TO_DEPARTMENT]->(cardiology)
7MERGE (h)-[:RECOMMENDS_EXAM]->(bp)
8MERGE (h)-[:HAS_EDUCATION]->(bpGuide)
9MERGE (h)-[:HAS_EDUCATION]->(lifestyle);
10
11MATCH (d:Disease {name: "2型糖尿病"})
12MATCH (endocrine:Department {name: "内分泌科"})
13MATCH (a1c:Exam {name: "糖化血红蛋白"})
14MATCH (glucose:Exam {name: "血糖检测"})
15MATCH (thirst:Symptom {name: "口渴"})
16MATCH (urination:Symptom {name: "多尿"})
17MATCH (glucoseGuide:EducationMaterial {title: "血糖监测教育"})
18MERGE (d)-[:BELONGS_TO_DEPARTMENT]->(endocrine)
19MERGE (d)-[:RECOMMENDS_EXAM]->(a1c)
20MERGE (d)-[:RECOMMENDS_EXAM]->(glucose)
21MERGE (d)-[:HAS_SYMPTOM]->(thirst)
22MERGE (d)-[:HAS_SYMPTOM]->(urination)
23MERGE (d)-[:HAS_EDUCATION]->(glucoseGuide);
24

这段数据不是为了建立完整医学知识库，而是为了让 Graph RAG 的关系检索跑起来。真实系统里的每条边都应该带上来源，例如 source_url、source_doc_id、source_paragraph、review_status、updated_at。尤其是医疗内容，不能只存“关系存在”，还要能追溯“关系来自哪里、谁审核过、什么时候更新”。

一个更工程化的关系可以这样写：

1MATCH (h:Disease {name: "高血压"})
2MATCH (bp:Exam {name: "血压测量"})
3MERGE (h)-[r:RECOMMENDS_EXAM]->(bp)
4SET r.source = "CDC patient education",
5    r.review_status = "example_only",
6    r.updated_at = datetime();
7

这会让后续答案生成更可信：系统不只是说“图谱里有这条关系”，还可以展示来源和审核状态。

Graph RAG 系统架构：让大模型生成查询，而不是生成事实

医疗患者教育 Graph RAG 的查询链路可以拆成四步：

1. 用户提出自然语言问题。
2. 大模型根据 schema 生成只读 Cypher。
3. Neo4j 执行图查询，返回结构化关系结果。
4. 大模型基于查询结果生成患者教育口径的回答。

1flowchart TD
2  U[用户问题] --> P[问题理解]
3  P --> C[LLM 生成只读 Cypher]
4  C --> S[Cypher 安全校验]
5  S --> N[Neo4j 图查询]
6  N --> R[实体关系结果]
7  R --> A[LLM 基于证据生成回答]
8  A --> O[患者教育口径输出]
9
10  subgraph KG[医疗患者教育知识图谱]
11    D[Disease]
12    Sym[Symptom]
13    Exam[Exam]
14    Dept[Department]
15    Mat[EducationMaterial]
16  end
17
18  N --> KG
19

注意这句话：让大模型生成查询，而不是生成事实。

在传统问答里，模型经常直接回答“你应该做什么”。在 Graph RAG 里，模型第一阶段只负责把自然语言问题转换成检索计划；事实来自 Neo4j 查询结果。第二阶段模型再把结构化结果组织成自然语言。这样做可以显著降低模型自由发挥的空间。

当然，“让模型生成 Cypher”本身也有风险，所以必须有安全校验和权限限制。后面会单独讲。

用 JavaScript 连接 Neo4j：先把数据库层跑稳

在接入 LangGraph 之前，建议先用 neo4j-driver 写一个最小查询脚本。这样可以把问题拆开：先确认数据和查询正确，再调 LLM。

1import neo4j from "neo4j-driver"
2
3const driver = neo4j.driver(
4  process.env.NEO4J_URI ?? "bolt://localhost:7687",
5  neo4j.auth.basic(
6    process.env.NEO4J_USERNAME ?? "neo4j",
7    process.env.NEO4J_PASSWORD ?? "12345678"
8  )
9)
10
11export async function queryDiseaseEducation(topicName) {
12  const session = driver.session({ defaultAccessMode: neo4j.session.READ })
13
14  try {
15    const result = await session.run(
16      `
17      MATCH (d:Disease {name: $topicName})
18      OPTIONAL MATCH (d)-[:RECOMMENDS_EXAM]->(exam:Exam)
19      OPTIONAL MATCH (d)-[:HAS_EDUCATION]->(material:EducationMaterial)
20      OPTIONAL MATCH (d)-[:BELONGS_TO_DEPARTMENT]->(department:Department)
21      RETURN d.name AS topic,
22             collect(DISTINCT exam.name) AS exams,
23             collect(DISTINCT material.title) AS materials,
24             collect(DISTINCT department.name) AS departments
25      `,
26      { topicName }
27    )
28
29    return result.records.map(record => ({
30      topic: record.get("topic"),
31      exams: record.get("exams"),
32      materials: record.get("materials"),
33      departments: record.get("departments"),
34    }))
35  } finally {
36    await session.close()
37  }
38}
39

这段代码在系统里的位置很底层：它不做自然语言理解，只负责执行明确的参数化 Cypher。

为什么这里要用 $topicName 参数，而不是字符串拼接？

因为用户输入不能直接拼到查询语句里。即使 Cypher 注入风险和 SQL 注入表现不完全一样，原则也是一致的：用户输入应该作为参数传入，而不是参与构造语法结构。Graph RAG 里如果让模型和用户输入共同影响查询语句，就更需要加安全边界。

为什么 session 用 READ？

患者教育问答阶段只需要读图谱，不应该有写权限。即使代码里误执行了写入语句，数据库权限也应该尽量拦住。这是医疗场景里非常重要的一层防线。

用 LangGraph 编排 Graph RAG 查询链路

接下来把自然语言问题接进来。技术栈可以沿用 @langchain/community 的 Neo4jGraph、@langchain/openai 的 ChatOpenAI，以及 @langchain/langgraph 的 StateGraph。

1import "dotenv/config"
2import { Neo4jGraph } from "@langchain/community/graphs/neo4j_graph"
3import { ChatOpenAI } from "@langchain/openai"
4import { StateGraph, START, END } from "@langchain/langgraph"
5import { HumanMessage } from "@langchain/core/messages"
6
7const graph = new Neo4jGraph({
8  url: process.env.NEO4J_URI ?? "bolt://localhost:7687",
9  username: process.env.NEO4J_USERNAME ?? "neo4j",
10  password: process.env.NEO4J_PASSWORD ?? "12345678",
11})
12
13const llm = new ChatOpenAI({
14  model: process.env.MODEL_NAME,
15  temperature: 0,
16  configuration: { baseURL: process.env.OPENAI_BASE_URL },
17})
18

temperature: 0 在这里很重要。生成 Cypher 是一个结构化任务，追求的是稳定和可执行，不是表达多样性。温度越高，模型越可能输出解释、Markdown 代码块或者自创关系类型。

定义状态：

1const state = {
2  messages: {
3    value: (left, right) => left.concat(Array.isArray(right) ? right : [right]),
4    default: () => [],
5  },
6  cypher: null,
7  context: null,
8  answer: null,
9}
10
11function userQuery(state) {
12  return state.messages[state.messages.length - 1].content
13}
14

状态里只保留三个核心中间产物：cypher、context、answer。这对应 Graph RAG 的三段式链路：生成查询、执行检索、生成回答。

生成 Cypher：必须把 schema 明确写给模型

生成 Cypher 的 prompt 不能写得太空。模型不知道你的图谱结构，除非你明确告诉它节点、关系和方向。

1async function generateCypher(state) {
2  const prompt = `
3你是医疗患者教育知识图谱的 Neo4j Cypher 生成器。
4你只能生成只读查询，只返回 Cypher，不要解释，不要 markdown。
5
6节点：
7- Disease: 疾病或患者教育健康主题
8- Symptom: 患者教育材料中提到的常见表现
9- Exam: 检查或监测项目
10- Department: 科室或宣教归口
11- EducationMaterial: 患者教育材料
12
13关系方向：
14- (Disease)-[:HAS_SYMPTOM]->(Symptom)
15- (Disease)-[:RECOMMENDS_EXAM]->(Exam)
16- (Disease)-[:BELONGS_TO_DEPARTMENT]->(Department)
17- (Disease)-[:HAS_EDUCATION]->(EducationMaterial)
18
19规则：
201. 只能使用 MATCH、OPTIONAL MATCH、WHERE、RETURN、WITH、LIMIT。
212. 不允许 CREATE、MERGE、SET、DELETE、DETACH DELETE、CALL。
223. 不要生成诊断、治疗或用药建议相关查询。
234. 如果用户问某个主题关联哪些检查或材料，优先从 Disease 出发查询。
24
25用户问题：${userQuery(state)}
26`
27
28  const res = await llm.invoke([new HumanMessage(prompt)])
29  return { cypher: res.content.trim() }
30}
31

这段 prompt 有三个目的。

第一，限定模型只能在已知 schema 里工作。否则模型可能生成 Medication、Treatment、Doctor 之类你图谱里根本没有的节点。

第二，强调关系方向。比如“哪些检查关联到高血压”可以写成从 Disease 到 Exam，也可以反向匹配，但关系真实方向不能错。

第三，明确医疗边界。用户如果问“我有这些症状是不是糖尿病”，这个系统不应该生成一条看似聪明的诊断查询，而应该在答案阶段提示咨询专业人员。

执行前先校验：不要无条件执行 LLM 生成的 Cypher

Graph RAG 最容易被忽视的风险是：你让大模型生成了数据库查询，然后直接执行。

本地 demo 可以这么写，生产环境不能这么写。尤其是医疗知识库，图谱数据可能包含院内材料、流程、审核状态、版本信息，不能让模型有写入或调用高危 procedure 的机会。

可以先加一个简单校验：

1function assertReadOnlyCypher(cypher) {
2  const normalized = cypher
3    .replace(/```cypher|```/gi, "")
4    .trim()
5    .toLowerCase()
6
7  const forbidden = [
8    "create",
9    "merge",
10    "set",
11    "delete",
12    "detach",
13    "remove",
14    "drop",
15    "call",
16    "load csv",
17  ]
18
19  if (!normalized.startsWith("match") && !normalized.startsWith("optional match")) {
20    throw new Error("Only read-only MATCH queries are allowed")
21  }
22
23  if (forbidden.some(keyword => normalized.includes(keyword))) {
24    throw new Error("Unsafe Cypher keyword detected")
25  }
26}
27

这不是完整安全方案，但它体现了工程原则：LLM 输出只能被当作候选查询，不能被当作可信指令。

更严谨的做法还包括：

• 使用只读 Neo4j 用户。
• 对节点标签和关系类型做白名单。
• 限制返回行数和路径深度。
• 设置查询超时。
• 记录生成 Cypher、执行耗时、返回行数和错误类型。

医疗患者教育系统不一定有强监管属性，但它仍然涉及健康信息。只要系统看起来像“医疗问答”，用户就可能赋予它更高信任度，工程侧必须保守。

执行图查询并生成答案

查询执行函数可以这样写：

1async function executeGraphQuery(state) {
2  try {
3    assertReadOnlyCypher(state.cypher)
4    const rows = await graph.query(state.cypher)
5    return { context: JSON.stringify(rows) }
6  } catch (error) {
7    console.error("Graph query failed", {
8      cypher: state.cypher,
9      message: error.message,
10    })
11
12    return { context: "GRAPH_QUERY_FAILED" }
13  }
14}
15

这里不要把所有异常都说成“未查询到知识”。空结果、语法错误、连接失败、权限错误是不同状态。真实系统至少要在日志里区分它们，否则后续排查会非常痛苦。

答案生成函数要更谨慎：

1async function generateAnswer(state) {
2  const prompt = `
3你是患者教育知识库助手。请只根据「图谱检索结果」回答用户问题。
4
5边界：
6- 只能解释健康主题、症状、检查、科室、患者教育材料之间的知识关系。
7- 不要给出诊断结论。
8- 不要给出治疗方案、药物名称、剂量或个体化医疗建议。
9- 如果检索结果为空或失败，说明当前知识图谱没有足够证据。
10- 如果用户问题涉及症状判断、检查解读或治疗决策，建议咨询合格医疗专业人员。
11
12图谱检索结果：${state.context}
13用户问题：${userQuery(state)}
14`
15
16  const res = await llm.invoke([new HumanMessage(prompt)])
17  return { answer: res.content }
18}
19

这个 prompt 的核心不是“语气温和”，而是把生成边界写死。Graph RAG 返回的是关系证据，不是个体化医疗判断。模型可以说“图谱显示高血压主题关联血压测量和家庭血压监测教育”，但不能说“你应该如何治疗高血压”。

最后编排工作流：

1const workflow = new StateGraph({ channels: state })
2  .addNode("generateCypher", generateCypher)
3  .addNode("executeGraph", executeGraphQuery)
4  .addNode("generateAnswer", generateAnswer)
5  .addEdge(START, "generateCypher")
6  .addEdge("generateCypher", "executeGraph")
7  .addEdge("executeGraph", "generateAnswer")
8  .addEdge("generateAnswer", END)
9
10const app = workflow.compile()
11
12export async function runGraphRAG(question) {
13  return app.invoke({
14    messages: [new HumanMessage(question)],
15  })
16}
17

这个工作流看起来是线性的，但它适合继续扩展。比如后续可以在 generateCypher 和 executeGraph 之间加入 validateCypher 节点，在查询失败后加入 repairCypher 节点，在图谱结果为空时走向量检索兜底。

一个完整查询例子：从自然语言到图谱路径

假设用户问：

高血压患者教育应该覆盖哪些检查和材料？

模型在 schema 约束下应该生成类似查询：

1MATCH (d:Disease {name: "高血压"})
2OPTIONAL MATCH (d)-[:RECOMMENDS_EXAM]->(exam:Exam)
3OPTIONAL MATCH (d)-[:HAS_EDUCATION]->(material:EducationMaterial)
4OPTIONAL MATCH (d)-[:BELONGS_TO_DEPARTMENT]->(department:Department)
5RETURN d.name AS topic,
6       collect(DISTINCT exam.name) AS exams,
7       collect(DISTINCT material.title) AS materials,
8       collect(DISTINCT department.name) AS departments
9LIMIT 10
10

Neo4j 返回结构化结果后，模型可以回答：

1根据当前患者教育知识图谱，高血压主题关联的检查/监测项目包括：血压测量。
2关联的患者教育材料包括：家庭血压监测教育、生活方式管理教育。
3该主题当前归口科室为：心内科。
4
5以上内容仅来自当前知识图谱，用于患者教育材料检索，不构成诊断或治疗建议。
6

这个答案有几个特点：

• 它没有扩写药物治疗。
• 它没有判断用户是否患病。
• 它没有把常识补成图谱事实。
• 它明确说明来自当前知识图谱。

这就是 Graph RAG 在医疗患者教育场景里的正确姿势：用结构化关系支持知识检索，用边界控制避免越权回答。

为什么不是只用向量库：三种检索应该组合

医疗知识库的检索对象很复杂。既有长篇患者教育文章，也有科室流程、检查说明、问答材料、术语解释、宣教视频脚本。单一检索方式很难覆盖全部问题。

更实际的架构通常是混合检索：

1flowchart TD
2  Q[用户问题] --> Router[问题路由]
3
4  Router -->|关系型问题| Graph[Neo4j 图谱检索]
5  Router -->|语义解释问题| Vector[向量检索]
6  Router -->|术语标题问题| Keyword[BM25 关键词检索]
7
8  Graph --> Evidence[证据整理]
9  Vector --> Evidence
10  Keyword --> Evidence
11
12  Evidence --> Guard[医疗边界检查]
13  Guard --> LLM[基于证据回答]
14  LLM --> User[患者教育口径输出]
15

比如：

• “高血压关联哪些患者教育材料？”优先走图谱。
• “家庭血压监测这份材料讲了什么？”优先走向量检索。
• “HbA1c 这个检查在哪些材料里出现？”优先走关键词检索，再结合图谱查关系。

Graph RAG 不应该被神化。它补的是“关系可查询”这一层，不是替代所有检索。

从文档到图谱：真实项目里更难的是数据治理

上面的 Cypher 是手写示例。真实医疗知识库通常要从文档中抽取实体和关系。

一个较完整的导入链路是：

1flowchart TD
2  Doc[患者教育文档] --> Parse[解析与清洗]
3  Parse --> Chunk[按主题切分]
4  Chunk --> Extract[实体关系抽取]
5  Extract --> Normalize[实体归一化]
6  Normalize --> Review[人工或规则审核]
7  Review --> Neo4j[写入 Neo4j]
8
9  Chunk --> Embed[生成 Embedding]
10  Embed --> VectorDB[写入向量库]
11
12  Neo4j --> QA[Graph RAG 问答]
13  VectorDB --> QA
14

这里最难的不是“怎么写入 Neo4j”，而是四件事。

第一，实体归一化。比如“2 型糖尿病”“2型糖尿病”“成人糖尿病”“T2D”可能在材料里混用。是否合并，怎么合并，需要业务规则。

第二，关系审核。医学患者教育材料里，关系不是普通网页标签。一个“疾病 -> 检查”的关系，如果后续用于回答用户问题，就应该知道它来自哪个材料、是否经过审核、是否适用于当前机构口径。

第三，版本管理。患者教育材料会更新，图谱边也要更新。不能只追加不删除，否则旧关系会残留。

第四，证据回溯。最终答案最好能追溯到文档来源，而不是只返回图谱节点。否则用户或审核人员无法判断答案依据。

因此真实落地时，图谱边至少应该具备这些属性：

1MATCH (d:Disease {name: "2型糖尿病"})
2MATCH (exam:Exam {name: "糖化血红蛋白"})
3MERGE (d)-[r:RECOMMENDS_EXAM]->(exam)
4SET r.source_doc_id = "patient-edu-diabetes-001",
5    r.source_title = "糖尿病患者教育材料",
6    r.review_status = "reviewed",
7    r.version = "2026-05",
8    r.updated_at = datetime();
9

有了这些属性，Graph RAG 才能从“会回答”升级为“能审计”。

参数与配置：哪些设置会影响稳定性

第一是模型温度。Cypher 生成建议使用 temperature: 0。这是结构化生成任务，不需要创意。温度高会让输出不稳定，尤其容易出现解释文字、错误标签或自创关系。

第二是 schema prompt。Graph RAG 的 prompt 不是普通问答 prompt，而是数据库 schema 的自然语言接口。节点、关系、方向、禁止事项都要写清楚。schema 一变，prompt 必须同步更新。

第三是查询限制。生产系统里建议给每次图查询设置：

• 最大返回行数。
• 最大路径跳数。
• 查询超时。
• 允许的节点标签和关系类型。
• 只读权限。

第四是上下文格式。小 demo 可以直接 JSON.stringify(rows)，但真实系统里结果可能很长。更好的做法是把结果整理成紧凑证据：

1{
2  "topic": "高血压",
3  "departments": ["心内科"],
4  "exams": ["血压测量"],
5  "materials": ["家庭血压监测教育", "生活方式管理教育"],
6  "source": ["patient-edu-hypertension-001"]
7}
8

这样模型更容易按事实回答，也更容易控制 token 成本。

第五是 fallback 策略。图谱查不到时，不要立刻编答案。可以有三种策略：

• 明确告诉用户当前图谱没有足够证据。
• 转向向量检索查找相关宣教材料。
• 把问题转给人工或专业渠道。

医疗患者教育场景里，宁可少答，也不要无证据扩写。

常见误区

第一个误区：把 Graph RAG 当成“更强大模型”。Graph RAG 强的是关系检索，不是医学推理能力。模型仍然可能生成错误 Cypher、误读结果或越界回答，所以必须有校验和边界。

第二个误区：把所有医学名词都抽成节点。图谱不是词典。节点应该服务于可回答的问题。患者教育问答里，常用的节点可能是主题、症状、检查、材料、科室，而不是材料里出现的每一个名词。

第三个误区：忽略关系方向。Disease -> Exam 和 Exam -> Disease 都能表达关联，但系统里必须统一。关系方向一乱，Cypher 生成就会变成概率游戏。

第四个误区：图谱没有来源。医疗知识库的每条关系都应该能追溯到材料和审核状态。没有来源的图谱很难进入严肃业务流程。

第五个误区：让模型直接回答诊断问题。用户问“我口渴多尿是不是糖尿病”，患者教育系统最多能说“这些表现可出现在相关健康教育材料中，是否患病需要由专业人员结合检查判断”，不能给诊断。

第六个误区：用 Graph RAG 替代向量检索。患者教育材料大量是解释性长文，图谱适合关系，向量适合原文召回，两者应该组合。

工程建议：医疗场景要先稳，再追求智能

第一，先从少量高频主题做起。比如高血压、糖尿病、慢病随访、检查说明、术前宣教。不要一开始就试图覆盖所有疾病。

第二，schema 要保守。先定义少数稳定关系，例如关联检查、归口科室、关联教育材料。不要急着建复杂治疗路径。

第三，把医学内容来源和审核状态作为一等公民。Graph RAG 的答案最好能展示“来自当前知识图谱中的哪类材料”，内部日志要能追溯到具体文档。

第四，LLM 只做语言接口和表达整理，不做最终医学判断。所有医学事实都应该来自图谱、文档或经过审核的知识源。

第五，做评测时分三层看：

• Cypher 是否生成正确。
• 图谱结果是否召回正确关系。
• 最终回答是否忠实于查询结果并遵守医疗边界。

第六，保留人工审核入口。医疗患者教育不是普通闲聊，内容改动、关系新增、材料下线都应该有审核流程。

第七，记录完整链路。至少记录用户问题、生成 Cypher、图查询结果摘要、答案、是否触发医疗边界提醒。没有可观测性，Graph RAG 出错时很难定位到底是抽取错、查询错，还是模型总结错。

一个更接近生产的最小骨架

如果把上面的思路压缩成一个工程骨架，可以是这样：

1async function answerPatientEducationQuestion(question) {
2  const cypher = await generateCypher(question)
3  const normalizedCypher = stripMarkdownFence(cypher)
4
5  assertReadOnlyCypher(normalizedCypher)
6  assertSchemaAllowlist(normalizedCypher, {
7    labels: ["Disease", "Symptom", "Exam", "Department", "EducationMaterial"],
8    relationships: [
9      "HAS_SYMPTOM",
10      "RECOMMENDS_EXAM",
11      "BELONGS_TO_DEPARTMENT",
12      "HAS_EDUCATION",
13    ],
14  })
15
16  const graphRows = await queryNeo4j(normalizedCypher, {
17    timeoutMs: 3000,
18    maxRows: 50,
19  })
20
21  if (graphRows.length === 0) {
22    return answerWithNoEvidence(question)
23  }
24
25  const evidence = compactGraphRows(graphRows)
26  return generatePatientEducationAnswer(question, evidence)
27}
28

这段代码表达了几个工程原则：

• generateCypher 可以用 LLM，但不能信任它。
• assertReadOnlyCypher 和 assertSchemaAllowlist 是执行前防线。
• queryNeo4j 要有超时和返回行数限制。
• compactGraphRows 要把数据库结果整理成可控证据。
• generatePatientEducationAnswer 只能基于证据回答。

如果系统以后要加向量检索，可以在 graphRows.length === 0 时进入向量检索兜底，也可以由问题路由器提前判断走哪条检索链路。

总结：医疗 Graph RAG 的价值是把关系变成证据

医疗患者教育知识库不是普通 FAQ。它里面既有长文本解释，也有大量实体关系：疾病主题关联症状、检查、科室、宣教材料、来源文档和审核状态。传统 RAG 能找到相似文本，但不一定能稳定回答关系型问题。

Neo4j + Graph RAG 的价值，是把这些关系变成可查询的工程资产：

• 用户问关系，系统查图谱。
• 图谱返回结构化证据。
• 大模型基于证据组织患者教育口径的回答。
• 答案能追溯到节点、关系和来源材料。

但这条路也有明确边界。它不应该做诊断，不应该推荐治疗，不应该绕过专业审核。医疗场景里的 Graph RAG 要先稳，再智能；先可追溯，再追求覆盖率；先控制边界，再提高表达能力。

如果把这套思路落到真实项目里，我会把默认方案定为“混合检索”：向量库负责语义召回，BM25 负责精确命中，Neo4j 负责关系查询，LLM 负责把证据整理成用户能理解的语言。Graph RAG 不是万能答案，但它补上了传统 RAG 最缺的一块：关系可执行、路径可追溯、证据可审计。

参考资料

• CDC: About High Blood Pressure
• CDC: Symptoms of Diabetes
• CDC: Diabetes Testing
• MedlinePlus: High Blood Pressure

《Neo4j + Graph RAG 医疗知识图谱工程实践：患者教育问答真正需要的是“关系可追溯”》 是转载文章，点击查看原文。