把向量检索和图数据库结合起来，是这两年RAG应用里很热门的一个方向。Neo4j从5.13版本开始原生支持向量索引，配合Node.js的neo4j-driver和LangChain.js提供的Neo4jVector模块，开发者可以用纯JavaScript完成从文本嵌入、向量入库到相似度检索的完整链路。更关键的是，Neo4j不只是存向量，还能沿着图的关系继续扩展查询，这是普通向量数据库做不到的能力。
环境准备与依赖安装
首先需要一个Neo4j 5.13以上的实例，可以是本地Docker部署，也可以用Neo4j Aura云服务。向量索引功能依赖较新的内核版本，老版本5.x之前的数据库即使强行执行建索引语句也会报错。用Docker启动一个开发实例非常简单，注意开启认证并记住密码，后续连接驱动时会用到。
Node.js这边需要安装三个包：neo4j-driver是官方驱动，负责底层的Bolt协议通信；@langchain/community里包含了Neo4jVector的实现；还需要一个嵌入模型包，比如@langchain/openai，或者其他兼容OpenAI接口的嵌入服务。安装命令如下：
npm install neo4j-driver @langchain/community @langchain/openai langchain
装好依赖后，先验证一下驱动能否正常连通数据库。建议把连接信息放到环境变量里，避免硬编码在代码中。下面是一段简单的连通性测试代码，能跑通说明环境没有问题：
import neo4j from "neo4j-driver";
const driver = neo4j.driver(
process.env.NEO4J_URL || "neo4j://localhost:7687",
neo4j.auth.basic("neo4j", process.env.NEO4J_PASSWORD)
);
const session = driver.session();
const result = await session.run("RETURN 1 AS ok");
console.log("数据库连接成功：", result.records[0].get("ok"));
await session.close();
await driver.close();创建向量索引并存入数据
Neo4jVector模块提供了fromTexts和fromExistingGraph两种初始化方式。前者适合从零开始，直接给一批文本、元数据和嵌入模型，它会自动创建节点、写入向量并建立索引。后者更值得推荐，适合数据库里已经有结构化数据的情况，它会把已有节点上的指定文本属性取出做嵌入，再把向量写回节点，这样文本和向量天然关联在同一个节点上。
下面的示例演示了从零创建的方式。注意preCollectionName对应的标签名和embeddingNodeProperty对应的属性名可以自定义，检索维度必须和嵌入模型输出的维度一致，text-embedding-3-small是1536维：
import { Neo4jVectorStore } from "@langchain/community/vectorstores/neo4j_vector";
import { OpenAIEmbeddings } from "@langchain/openai";
const embeddings = new OpenAIEmbeddings({
model: "text-embedding-3-small"
});
const docs = [
{ pageContent: "Neo4j是一个原生图数据库，使用Cypher查询语言", metadata: { source: "db" } },
{ pageContent: "Node.js基于V8引擎，擅长处理高并发的IO密集任务", metadata: { source: "runtime" } },
{ pageContent: "向量检索通过计算嵌入向量的相似度来匹配语义相近的内容", metadata: { source: "ai" } }
];
const store = await Neo4jVectorStore.fromTexts(
docs.map((d) => d.pageContent),
docs.map((d) => d.metadata),
embeddings,
{
url: "neo4j://localhost:7687",
username: "neo4j",
password: process.env.NEO4J_PASSWORD,
indexName: "kb_vector_index",
nodeLabel: "Chunk",
embeddingNodeProperty: "embedding",
textNodeProperty: "text"
}
);
console.log("向量索引创建完成");执行完之后到Neo4j Browser里查询，可以看到Chunk标签下的节点已经带上了embedding属性，同时数据库里多了一个向量索引。这里有个容易踩的坑：如果文档数量很大，逐条写入会很慢，建议分批处理，每批几百条，并复用同一个store实例，避免反复创建连接。另外嵌入API有速率限制，批处理时要控制并发，失败最好做重试和断点记录。
相似度检索与图关系扩展
检索是整个方案最有价值的部分。Neo4jVectorStore提供了similaritySearch方法，底层会把问题文本嵌入成向量，然后用db.index.vector.queryNodes这个Cypher过程在向量索引上做KNN查询。下面是最基础的用法，返回最相近的三条记录：
const results = await store.similaritySearch("什么是图数据库", 3);
for (const doc of results) {
console.log(doc.pageContent, JSON.stringify(doc.metadata));
}如果只做上面这种纯向量检索，其实用任何向量库都可以，体现不出图的优势。真正的差异在于：Neo4j里的节点是有关系的，检索命中某个节点之后，可以沿着关系把相邻节点也拉出来，把局部子图交给大模型生成答案。官方提供了一个retrievalQuery参数，允许自定义检索时附带返回的内容，例如：
const store2 = await Neo4jVectorStore.fromExistingGraph(embeddings, {
url: "neo4j://localhost:7687",
username: "neo4j",
password: process.env.NEO4J_PASSWORD,
indexName: "movie_vector_index",
nodeLabel: "Movie",
textNodeProperties: ["title", "plot"],
embeddingNodeProperty: "embedding",
retrievalQuery: `RETURN node.title AS text,
node.plot AS plot,
score,
{directors: [(actor)-[:DIRECTED]->(node) | actor.name]} AS meta`
});这段配置的含义是：对Movie节点做向量检索时，除了返回节点文本和相似度分数，还顺着DIRECTED关系把导演信息一并带回来。这样一次检索就能拿到图上下文，喂给LLM后生成的答案会明显更有依据。也可以用原生driver手写这种混合查询，把向量检索结果作为起点，再用MATCH扩展一到两跳的关系，实现知识图谱式的多跳推理。
性能优化与实践建议
向量索引的性能和几个参数直接相关。Neo4j默认使用euclidean距离，也支持cosine，文本语义检索一般推荐cosine，建索引时通过db.create.setNodeVectorProperty配合索引选项指定。索引创建是异步的，大批量数据写入后可以用SHOW INDEXES查看索引状态，等状态变成ONLINE再开始检索，否则可能查不到结果。
检索时k值不要盲目调大。向量索引的查询成本随k增长，k取到几十上百时延迟会明显上升。实际项目里常见的做法是先用较小的k做召回，然后在Cypher里结合元数据过滤缩小范围，最后再排序取top结果。Neo4j的查询计划器会把向量索引扫描和普通属性过滤组合起来，这一点比很多纯向量库灵活。
最后是嵌入层的选择问题。OpenAI的嵌入接口在国内访问可能不稳定，可以考虑换成兼容接口的国产模型服务，或者用本地部署的bge系列模型，只要维度对上、Neo4jVector的构造参数传对即可，检索逻辑完全不用改。图向量检索的本质是召回增强：向量负责语义匹配，图负责结构化扩展，两者配合才能让RAG系统既答得准又答得全。把这个链路在Node.js里跑通之后，后续加缓存、加重排序、接知识图谱抽取，都是在这个骨架上做增量演进。