如何在Dify中连接Neo4j图数据库实现基于复杂实体关联的智能检索-人工智能-PHP中文网

必须让dify实时访问neo4j的节点、关系及向量嵌入，需确认neo4j服务与bolt协议可用，修改conf/neo4j.conf启用并监听0.0.0.0:7687，dify中配置custom api验证http通道，再通过python函数节点调用neo4j driver接入bolt，结合多跳cypher查询与向量索引实现智能检索。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜

如何在dify中连接neo4j图数据库实现基于复杂实体关联的智能检索

要在Dify中实现基于复杂实体关联的智能检索，必须让Dify能实时访问Neo4j中存储的节点、关系及向量嵌入结果，否则所有图谱推理和多跳查询都只是纸上谈兵。

确认Neo4j服务状态与Bolt协议可用性

打开终端，执行 curl -I http://localhost:7474 检查HTTP服务是否响应；若返回 200 OK，再测试Bolt端口连通性：telnet localhost 7687。失败则说明Neo4j未启动或conf/neo4j.conf中dbms.connector.bolt.enabled=true未启用。

Neo4j默认关闭远程Bolt访问，【必须修改conf/neo4j.conf中dbms.connector.bolt.listen_address配置为0.0.0.0:7687】，否则Dify容器内无法建立连接。

重启Neo4j服务：systemctl restart neo4j（Linux）或双击Neo4j Desktop中的“Start”按钮（macOS/Windows）。

在Dify中配置Neo4j连接参数

进入Dify管理后台 → 【Settings】→ 【Data Sources】→ 【Add Data Source】→ 选择【Custom API】。

填写以下字段：

Name：输入neo4j-knowledge-graph
Base URL：填http://host.docker.internal:7474（Docker部署时）或http://localhost:7474（本地直连）
Authentication：选Basic Auth，Username填neo4j，Password填你设置的实际密码

点击【Test Connection】，成功返回{"message":"Neo4j is ready"}即表示基础HTTP通道就绪——这一步仅验证REST API，不涉及Bolt。

编写Python函数节点接入Bolt协议

Dify的Custom API无法直接使用Bolt协议，必须通过Python函数节点调用Neo4j Python Driver。

在Dify工作流编辑器中，添加一个【Python Code】节点，粘贴以下代码：

from neo4j import GraphDatabase
import os
<h1>从Dify环境变量读取配置，避免硬编码</h1><p>uri = os.getenv("NEO4J_URI", "bolt://host.docker.internal:7687")
user = os.getenv("NEO4J_USER", "neo4j")
password = os.getenv("NEO4J_PASSWORD", "your_password")</p><p>driver = GraphDatabase.driver(uri, auth=(user, password))</p><div class="aritcle_card flexRow artxards">
											<div class="artcardd flexRow">
												<a class="aritcle_card_img" rel="nofollow" href="/xiazai/skill1763" title="dify-code-interpreter"><img
														src="https://img.php.cn/upload/skill/000/000/081/178851246754770.jpg" alt="dify-code-interpreter" onerror="this.onerror='';this.src='/static/lhimages/moren/morentu.png'" ></a>
												<div class="aritcle_card_info flexColumn">
													<a rel="nofollow" href="/xiazai/skill1763" title="dify-code-interpreter" class="overflowclass">dify-code-interpreter</a>
													<p class="overflowclass">解释任意编程语言代码的语法、逻辑、用途与实现细节，支持多语言并返回结构化说明。</p>
												</div>
												<a rel="nofollow" href="/xiazai/skill1763" title="dify-code-interpreter" class="aritcle_card_btn flexRow flexcenter"><b></b><span>下载</span>
												</a>
											</div>
										</div><p>def run_cypher(query: str, params: dict = None):
with driver.session() as session:
result = session.run(query, params or {})
return [record.data() for record in result]
</p>

在该节点的【Environment Variables】区域，手动添加三条变量：

NEO4J_URI = bolt://host.docker.internal:7687（Docker部署）或bolt://localhost:7687（本地开发）
NEO4J_USER = neo4j
NEO4J_PASSWORD = your_actual_password

【NEO4J_URI必须用host.docker.internal而非localhost，否则Dify容器无法解析宿主机服务】

构建支持多跳关联的Cypher查询逻辑

第一步：提取用户提问中的核心实体

第二步：将实体名作为参数传入预编译Cypher模板，避免字符串拼接注入风险

第三步：执行带深度限制的关系遍历，例如查找“张三”两跳内的所有合作项目与负责人：

MATCH (n:Person {name: $entity})-[:WORKED_ON|MANAGED*1..2]-(related)
RETURN DISTINCT related.name AS name, labels(related) AS type, count(*) AS relevance
ORDER BY relevance DESC LIMIT 10

第四步：将结果结构化为JSON列表，供后续LLM提示词注入使用

第五步：在Dify工作流中，将此Python节点输出绑定至RAG Prompt的{{knowledge}}占位符

启用Neo4j向量索引加速语义匹配

方法一：在Neo4j Browser中执行建模命令，为Chunk节点的embedding属性创建余弦相似度索引：

CALL db.index.vector.createNodeIndex(
  'chunk_embedding_index',
  'Chunk',
  'embedding',
  384,
  'cosine'
)

方法二：在Python函数节点中封装向量检索函数，接收Dify生成的文本嵌入向量并执行近邻搜索：

def vector_search(embedding: list, top_k: int = 3):
    query = """
    CALL db.index.vector.queryNodes('chunk_embedding_index', $top_k, $embedding)
    YIELD node, score
    RETURN node.content AS content, score
    ORDER BY score DESC
    """
    return run_cypher(query, {"embedding": embedding, "top_k": top_k})

调用时确保传入的embedding是长度为384的float列表，与索引维度严格一致，否则Neo4j会报Invalid input错误。