引言
随着大语言模型（LLM）技术的飞速发展，结合结构化知识库构建智能问答系统成为当前 AI 应用的重要方向。本文将介绍如何利用 Microsoft Semantic Kernel（SK） 与 Neo4j 图数据库 快速搭建一个轻量级、可解释、且具备上下文感知能力的问答系统。
该方案的优势在于：
- 利用 SK 简化 LLM 调用与插件集成；
- 借助 Neo4j 高效存储和查询实体关系；
- 实现“先查知识库，再生成答案”的可控推理流程。
技术栈简介
1. Semantic Kernel（SK）
Semantic Kernel 是微软推出的轻量级 SDK，支持将自然语言函数（prompt functions）、传统代码函数（native functions）以及向量记忆（memory）统一编排，便于构建 LLM 应用。它支持 Python 和 C#，本文以 Python 为例。
2. Neo4j
Neo4j 是领先的原生图数据库，擅长处理高度关联的数据。在知识图谱场景中，节点表示实体（如人物、地点），边表示关系（如“出生于”、“就职于”），非常适合用于事实型问答。
系统架构概览
用户提问
↓
[语义解析] → 提取关键实体/意图（可选）
↓
[Neo4j 查询] → 根据实体检索相关子图
↓
[结果拼接] → 将结构化数据转为自然语言上下文
↓
[SK + LLM] → 结合上下文生成最终回答
实现步骤
步骤一：准备 Neo4j 知识图谱
假设我们构建一个简单的公司员工知识图谱：
CREATE (a:Person {name: "张三", role: "工程师"})
CREATE (b:Person {name: "李四", role: "产品经理"})
CREATE (c:Company {name: "星辰科技"})
CREATE (a)-[:WORKS_AT]->(c)
CREATE (b)-[:WORKS_AT]->(c)
CREATE (a)-[:REPORTS_TO]->(b)
步骤二：编写 Neo4j 查询插件（Native Function）
在 SK 中注册一个本地函数，用于根据问题中的关键词查询 Neo4j：
from semantic_kernel.functions.kernel_function_decorator import kernel_function
from neo4j import GraphDatabase
class Neo4jPlugin:
def __init__(self, uri, user, password):
self.driver = GraphDatabase.driver(uri, auth=(user, password))
@kernel_function(
description="根据人名查询其工作信息和汇报关系",
name="query_employee_info"
)
def query_employee_info(self, name: str) -> str:
with self.driver.session() as session:
result = session.run("""
MATCH (p:Person {name: $name})-[r]->(target)
RETURN type(r) AS rel, target.name AS target_name, target.role AS target_role
UNION
MATCH (p:Person {name: $name})<-[:WORKS_AT]-(comp:Company)
RETURN 'WORKS_AT' AS rel, comp.name AS target_name, null AS target_role
""", name=name)
facts = []
for record in result:
if record["rel"] == "REPORTS_TO":
facts.append(f"{name} 汇报给 {record['target_name']}（{record['target_role']}）")
elif record["rel"] == "WORKS_AT":
facts.append(f"{name} 在 {record['target_name']} 工作")
return "; ".join(facts) if facts else "未找到相关信息"
步骤三：配置 Semantic Kernel 并集成插件
import semantic_kernel as sk
from semantic_kernel.connectors.ai.open_ai import OpenAIChatCompletion
kernel = sk.Kernel()
kernel.add_service(OpenAIChatCompletion(
service_id="openai",
ai_model_id="gpt-3.5-turbo",
api_key="YOUR_API_KEY"
))
# 注册插件
neo4j_plugin = Neo4jPlugin("bolt://localhost:7687", "neo4j", "password")
kernel.import_plugin_from_object(neo4j_plugin, "Neo4jPlugin")
步骤四：定义语义函数（Prompt Template）
创建一个 SK 语义函数，引导 LLM 利用插件返回的信息作答：
# ask_about_employee.skprompt.txt
你是一个公司内部助手。请根据以下事实回答问题：
{{Neo4jPlugin.query_employee_info $input}}
问题：{{$input}}
回答应简洁、准确，仅基于上述事实。
加载并调用：
prompt_template = """
你是一个公司内部助手。请根据以下事实回答问题：
{{Neo4jPlugin.query_employee_info $input}}
问题：{{$input}}
回答应简洁、准确，仅基于上述事实。
"""
ask_function = kernel.create_function_from_prompt(
prompt_template,
function_name="ask_about_employee",
plugin_name="CompanyQA"
)
# 用户提问
question = "张三的上级是谁？"
answer = await kernel.invoke(ask_function, input=question)
print(answer)
效果示例
输入：
“张三在哪家公司工作？”
Neo4j 返回：
“张三 在 星辰科技 工作”
LLM 输出：
张三在星辰科技工作。
输入：
“李四负责什么？”
Neo4j 返回：
“李四 在 星辰科技 工作；张三 汇报给 李四（产品经理）”
LLM 输出：
李四是产品经理，负责管理工程师张三，任职于星辰科技。
优势与扩展方向
✅ 可控性强：答案基于真实图谱数据，避免幻觉。
✅ 可解释性好：每一步查询可追溯。
✅ 易于扩展：可加入向量搜索（SK Memory）处理模糊查询，或接入更多数据源。
未来优化：
- 使用 NER 模型自动提取问题中的实体；
- 支持多跳关系查询（如“张三上级的公司”）；
- 结合 RAG 架构融合非结构化文档。
结语
通过 Semantic Kernel 与 Neo4j 的结合，我们能够快速构建一个兼具灵活性与可靠性的问答系统。这种“结构化知识 + 语言模型”的混合架构，是迈向企业级可信 AI 应用的重要一步。
