neo4j标签_AtomGit开源社区

neo4j

基于GraphRAG的医疗健康知识诊断系统(Neo4j_大语言模型)

本文介绍了一个基于GraphRAG技术的医疗健康知识诊断系统，该系统采用Vue+Flask前后端分离架构，集成Neo4j知识图谱和通义千问大模型。主要创新点包括：三路并行检索的GraphRAG技术、智能三元组提取、多模态问答和知识图谱可视化。系统提供8大功能模块，涵盖用户管理、文档处理、智能问答、知识图谱构建与可视化等医疗场景应用。项目资源包含完整源码、部署教程、系统文档和设计图，适用于疾病诊疗路

 羊羊小栈
2026-06-15 00:41:03

 309

 6

#neo4j #语言模型 #人工智能 +1
基于GraphRAG的地质矿产知识管理系统(Neo4j_大语言模型)

本文介绍了一个地质矿产智能问答系统，采用前后端分离架构（Vue+Flask）和GraphRAG技术。系统通过Neo4j构建包含22种实体类型的地质知识图谱，集成三路并行检索（知识图谱+矿床档案+勘探记录）和多模态问答（支持图片识别）。核心功能包括知识图谱可视化、智能三元组提取、文档溯源、矿床全链路管理等，应用于成矿规律查询、勘探数据追溯等场景。项目提供完整源码（含前端Vue和后端Flask）、部署

 羊羊小栈
2026-06-11 20:31:27

 342

 7

#neo4j #语言模型 #人工智能 +1
基于知识图谱的数据库课程智能问答系统的设计与实现（数据库课程；知识图谱；智能问答系统；Neo4j；Python、高质量）

正文：🧠 数据库课程知识点庞杂、逻辑关联强，传统答疑难以覆盖所有疑问？这套基于知识图谱的「数据库课程智能问答系统」带你用AI技术重塑智慧教学体验！💻 硬核技术栈系统采用 Python + Flask 框架搭建后端服务，底层深度整合 Neo4j 图数据库。结合自然语言处理（NLP）技术，实现了从知识抽取、图谱构建到智能交互的全链路闭环，非常适合AI开发者与教育科技从业者参考！📈 核心功能全解析

 AA-老高_BYSJ88088
2026-06-10 15:14:02

 264

 3

#知识图谱 #数据库 #neo4j +3
基于知识图谱(Neo4j)和大语言模型(LLM)的图检索增强(GraphRAG)的数控车床主轴系统故障诊断智能问答系统

本项目开发了一个面向数控车床主轴系统故障诊断的智能问答系统，采用Vue3+Flask前后端分离架构，核心创新点是集成GraphRAG技术（知识图谱检索增强生成）。系统通过Neo4j构建包含16种实体类型和20种关系的故障诊断知识图谱，实现三路并行检索（知识图谱+主轴档案+故障记录），结合通义千问大模型提供精准问答。主要功能包括：多模态智能问答（支持图片识别）、知识图谱可视化交互、文档自动三元组提取

 羊羊小栈
2026-06-09 18:52:34

 427

 4

#知识图谱 #neo4j #语言模型 +1
基于BERT+LSTM+CRF与知识图谱的医疗智能问答系统（全套独家最详细讲解及源码/源码解析/文档等资料）

本项目构建了一个医疗智能问答系统，融合BERT+LSTM+CRF深度学习模型与知识图谱技术。系统通过实体识别和意图分析理解用户医疗问题，基于Neo4j图数据库进行知识推理，提供结构化答案。项目亮点包括：1)采用先进深度学习模型识别医学实体；2)构建医疗知识图谱表达复杂医学关系；3)结合意图分析实现精准问答；4)完整Web系统实现。技术栈涵盖NLP、知识图谱、图数据库和Web开发，适合作为AI项目实

 星川皆无恙
2026-06-08 19:25:45

 395

 5

#深度学习 #bert #lstm +4
Neo4j+LLM构建动态知识图谱推理引擎

在传统知识图谱构建中，我们常陷入“静态三元组陷阱”——RDF/OWL 模型虽语义严谨，却难以应对现实世界中。，实现从“存储型图谱”到“思考型图谱”的跃迁。✅ 不依赖云端 API｜✅ 支持离线部署｜✅ 推理过程全程可追溯｜✅ 关系生成带置信度标注。

A20250FSAF
2026-06-06 12:07:59

 245

 10

#neo4j #知识图谱 #人工智能 +1
【无标题】OpenCode 接入 Agnes AI 模型完整配置教程｜CLI 端 + 桌面端

⚠️ 基础 URL 只填 https://apihub.agnes-ai.com/v1，不要加 /chat/completions，否则会报错。💡 “model” 字段设置默认模型，格式为 provider_id/model_id，这里默认使用 agnes-2.0-flash。▲ 填写模型 ID（agnes-2.0-flash）和显示名称（Agnes 2.0 Flash）▲ 填写提供商 ID（a

2601_96229017
2026-06-05 19:50:40

 1656

 4

#人工智能 #图像处理 #python +2
多模态+neo4j+langchain构建知识图谱问答

知识图谱问答应用

 INSNNP_LZM
2026-06-05 10:09:26

 134

#neo4j #知识图谱
AI Agent 面试高频题：Agent 和 Workflow 到底有什么区别？别再说「Agent 更智能」了，一篇文章讲清二者的设计取舍！

聊 AI Agent，几乎绕不开 Agent 和 Workflow 这两个词，很多人能说上几句，但被面试官追问细节就露馅了。

大靠山
2026-06-04 19:07:07

 243

 5

#人工智能 #面试 #职场和发展 +4
我做了一个保护隐私的求职工具，完全免费开源

在 Boss 直聘等平台求职时，浏览记录会被追踪，求职意向可能被现公司发现。我开发了一个开源工具 JobGraph，完全本地运行，数据存在自己电脑上，不留任何痕迹。支持岗位搜索、公司画像、避坑指南、薪资分析、智能匹配，内置 34 家公司、150+ 岗位数据，开箱即用。完全免费，无广告，无功能限制。

武汉小锋
2026-06-03 23:39:46

 248

 7

#开源 #python #neo4j +1
大语言模型（LLM）本地部署完全指南

在本地部署大模型是一场非常有意思的探索，梳理了一份全面的指南，希望能帮你找到适合自己的方案。

大靠山
2026-05-25 20:12:31

 441

 7

#语言模型 #人工智能 #自然语言处理 +3
AI Agent Harness Engineering 的长期记忆构建：图数据库 Neo4j 在关系抽取中的应用实战

今天的旅程，我们将攀登：第一座是「看得见摸得着的AI Agent失忆困境」，比如陪你聊天3天就忘了你上周日吐槽过的外卖里的蟑螂壳；第二座是「理解AI Agent记忆的三层脑模型——类比我们自己的大脑皮层、海马体和前额叶皮层」；第三座是「用图数据库Neo4j搭建」，把蟑螂壳、外卖平台、商家、你的投诉习惯、天气状况（那天是不是暴雨影响配送导致商家凑活的？）这些零散的“神经信号碎片”连成长长的“记忆神经

 Python人工智能大数据
2026-05-24 22:59:12

 189

 4

#人工智能 #数据库 #neo4j
如何轻松实现CANN 模型转换与部署实战

本文分享了将PyTorch训练的ResNet-50模型部署到昇腾910B芯片的完整流程和实战经验。主要内容包括：模型转换四步流程：PyTorch→ONNX→OM模型→部署，重点解决算子支持性、动态shape处理、量化精度验证等关键问题。详细操作指南： PyTorch导出ONNX时的常见问题及解决方法使用atc工具将ONNX转换为昇腾专用OM格式模型量化（FP16→INT8）及精度验证方法

 高级c
2026-05-24 11:42:33

 381

 5

#neo4j #深度学习 #算法
TensorFlow 模型迁移到昇腾：tf_adapter 实战

本文介绍了如何将TensorFlow模型迁移到昇腾NPU上运行。通过使用tf_adapter适配层，无需重写模型代码，只需添加少量适配代码即可实现。文章详细说明了环境准备步骤，并以ResNet50为例展示了迁移前后的代码对比和性能数据（NPU比GPU快25%）。同时提供了训练迁移方案、多卡训练示例以及常见问题解决方法（如算子不支持、精度偏差、显存不足等）。最后给出迁移检查清单，帮助开发者验证迁移效

 passion098
2026-05-23 14:08:05

 523

 18

#tensorflow #neo4j #人工智能
GE图优化：FlashAttention在昇腾NPU上跑得快的隐形推手

GE图编译器在昇腾CANN里扮演"编译优化器"的角色。FlashAttention的代码写了，但跑得快不快，很大程度取决于GE做了多少优化。算子融合减少HBM访存、内存规划复用存储空间、流并行榨干计算资源。FlashAttention在ops-transformer里定义了怎么算，GE决定了怎么组合、怎么调度、怎么分配内存。两个配合好了，同一个模型在昇腾NPU上的吞吐能翻好几倍。排查性能问题时，别

 旧怨394
2026-05-22 23:12:12

 413

 8

#neo4j
Neo4j 知识图谱：实体建模+Cypher查询+LangChain接入

搭 RAG 系统时，很多同学到了"多跳推理"这一关就卡死了。问题是这样的：你有一份公司知识库，用户问「负责 payment 模块的工程师最近在做哪个项目?」

大靠山
2026-05-21 20:01:34

 424

 10

#neo4j #知识图谱 #人工智能 +3
一个Token的昇腾之旅——从模型输入到硬件执行的完整链路

当你在昇腾设备上运行大语言模型，输入「昇腾CANN生态很强大」这8个字符时，这些字符会先被拆成多个Token（每个Token对应一个语义单元，比如「昇」「腾」「CANN」等），每个Token就像等待运输的快递包裹，即将开启一段从软件层到硬件层的完整旅程。这段旅程跨越了昇腾异构计算架构（CANN）的多个层级，每一步都有专门的「工作人员」负责，最终在硬件中完成计算，再把结果原路送回你面前。

程序员清洒
2026-05-21 14:08:40

 406

 6

#neo4j
知识图谱 GraphRAG：彻底解决传统 RAG 的 7 大致命局限

传统 RAG 只会 “找句子”，GraphRAG 才会 “懂逻辑”！面对跨文档关联、多跳推理、隐性关系挖掘等复杂场景，向量检索驱动的传统 RAG 频频 “断链”、易幻觉、答案碎片化。GraphRAG 以知识图谱为核心，将零散文本转化为 “实体 - 关系” 网络，通过社区检测与全局摘要，让大模型具备关系导航 + 多跳推理 + 全局洞察能力。从企业合规检索、金融风险排查到医疗知识关联，GraphRA

2301_80289431
2026-05-20 22:33:52

 622

 12

#知识图谱 #人工智能 #大数据 +3
Qt集成AI推理引擎：TensorFlow Lite与ONNX Runtime实战

本文介绍了在Qt应用中集成TensorFlow Lite和ONNX Runtime两大AI推理引擎的实战方案。文章首先分析了本地AI推理在工业质检、医疗影像等场景的必要性，随后展示了Qt+AI的整体架构设计，重点讲解了TensorFlow Lite的集成步骤。通过CMake配置、推理封装类代码示例，详细说明了如何在Qt项目中实现图像分类功能，包括模型加载、图像预处理和推理结果处理等关键环节。该方案

 林夕07
2026-05-18 10:48:51

 415

 6

#qt #人工智能 #neo4j
neo4j学习笔记

1. 入口在哪？- 前端入口： main.py 的用户输入框- 逻辑入口： rag_agent.py 的 get_results() 函数（被 main.py 第 90 行调用）2. Neo4j 连接在哪初始化？每个 Chain 自己初始化，不是全局共享的：- vector_chain.py 第 76-84 行： Neo4jVector.from_existing_index()

张佳乐的橘子
2026-05-16 10:53:23

 415

 7

#neo4j #学习
Project：电商图谱&智能客服系统

本项目构建了一个电商知识图谱系统，采用Neo4j图数据库存储数据，结合MySQL关系型数据库和多种技术栈实现。系统包含数据准备、实体抽取模型训练、知识图谱构建和智能问答四个核心模块。通过Label-studio进行数据标注，训练BERT模型实现实体抽取；利用Python连接MySQL和Neo4j完成数据同步；最后基于LangChain框架开发问答系统，支持语义检索和自然语言回答。项目实现了商品分类

 a99615
2026-05-15 11:19:28

 409

 7

#neo4j #mysql #知识图谱 +2
计算机毕业设计：Python基于Neo4j的医疗知识图谱问答系统 Neo4j 机器学习 BERT 深度学习 ECharts（建议收藏）✅

本文介绍了一个基于知识图谱的医疗智能问答系统，主要技术包括Python、Django/Flask框架、Neo4j图数据库、BERT深度学习模型等。系统功能模块涵盖：数据统计与可视化首页 Neo4j知识图谱可视化展示智能问答对话交互问答记录管理（支持搜索、分页）用户个人信息管理登录注册模块后台运维管理该系统通过Neo4j存储医疗实体关系，利用BERT模型实现语义理解，提供专业医疗问答服

 vx_biyesheji0002
2026-05-13 17:56:31

 389

 9

#深度学习 #python #机器学习 +3
计算机毕业设计：Python医疗智能问答平台开发全解 Neo4j 机器学习 BERT 深度学习 ECharts（建议收藏）✅

本文介绍了一个基于知识图谱的医疗智能问答系统，采用Python+Django/Flask框架开发，结合Neo4j图数据库存储医疗实体关系，并集成BERT深度学习模型实现语义理解。系统主要功能包括：1）首页数据统计与折线图可视化；2）Neo4j知识图谱可视化展示；3）智能问答对话交互；4）问答记录管理；5）用户信息管理；6）登录注册模块；7）后台运维管理。该系统实现了医疗知识的智能检索、可视化展示和

 vx_biyesheji0001
2026-05-13 17:52:52

 420

 8

#深度学习 #python #机器学习 +3
智能感知低功耗设计：MCU上的AI异常检测与能效优化

智能感知低功耗设计：MCU上的AI异常检测与能效优化

 Yeats_Liao
2026-05-09 17:04:30

 517

 8

#单片机 #人工智能 #neo4j +1
瑞芯微(EASY EAI)RV1126B yolov8训练部署教程

YOLOv8 是 ultralytics 公司在 2023 年 1月 10 号开源的基于YOLOV5进行更新的下一个重大更新版本，目前支持图像分类、物体检测和实例分割任务，鉴于Yolov5的良好表现，Yolov8在还没有开源时就收到了用户的广泛关注。其主要结构如下图所示：本教程针对目标检测算法yolov8的训练和部署到EASY-EAI-Nano-TB(RV1126B)进行说明，而数据标注方法可以

 广州灵眸科技有限公司
2026-05-09 14:36:09

 467

 8

#neo4j #php #开发语言 +2
从零开始理解 BP 神经网络：原理通俗讲解 + Python 完整代码实现

神经网络听起来很高深，但它的核心思想其实并不复杂：给模型一堆输入，让它通过不断调整参数，学会输入和输出之间的规律。BP 神经网络，也就是反向传播神经网络，是最经典的神经网络模型之一。它通过“前向传播”得到预测结果，再通过“反向传播”把误差一层一层传回去，最后利用梯度下降更新权重参数。

Wjxgms
2026-05-08 18:23:42

 542

 15

#神经网络 #python #neo4j
企业级多Agent系统架构设计：从入门到精通

本文系统性地介绍了企业级多Agent系统的架构设计，采用六层模型实现专业化分工协作。架构从API网关层开始，依次通过编排协调层、LangGraph状态机层、Agent核心层、基础设施层和可观测性层，形成完整的处理闭环。重点阐述了多Agent协作的必要性、状态机设计原理、专家团队组织方式，以及成本优化策略。文章指出2026年将是多Agent系统普及的关键节点，并提供了从本地模型优先到混合检索等实用技

 包晗
2026-05-08 05:36:25

 849

 20

#系统架构 #机器学习 #python +2
瑞芯微(EASY EAI)RV1126B 模型转换API说明

该接口的功能是注册一个自定义算子。

广州灵眸科技有限公司
2026-05-06 11:08:43

 475

 12

#neo4j #php #开发语言 +3
neo4j图数据库安装教程（windows）

本文介绍了Neo4j图数据库的基本概念、安装配置及Cypher查询语言的使用。主要内容包括：1）Neo4j作为开源NoSQL图数据库的特点和版本差异；2）Java环境配置和Neo4j安装步骤；3）Cypher语法详解，涵盖节点/关系的创建（CREATE/MERGE）、查询（MATCH）、删除（DELETE）等操作；4）常用字符串函数和聚合函数；5）索引的创建与管理。文章通过具体示例演示了如何操作图

 田井中律.
2026-04-30 10:54:53

 618

 11

#neo4j #数据库
使用Neo4j 5的Cypher查询语言精选书籍

本文介绍了如何使用Neo4j 5的Cypher查询语言实现个性化书籍推荐。通过分析用户偏好和避开的书籍类型，构建了包含UserDetails、UserPreferences、Genre和Book节点的图数据库结构。重点展示了优化后的Cypher查询，该查询能正确匹配用户喜欢的类型并避开不喜欢的类型，最终返回符合条件的书籍。文章还提供了测试数据示例和验证方法，说明如何有效实现用户个性化推荐需求。这种

 小雨淋林
2026-04-30 00:27:07

 45

#neo4j #个人开发
Spring Boot 集成 Neo4j 实现图谱分析技术方案

本文介绍了基于Spring Boot和Neo4j构建图数据库应用的完整技术方案。主要内容包括：技术栈选型（Spring Boot 3.2.0+Neo4j 5.15.0）、环境搭建指南、核心数据模型设计（人员、公司、大学三类节点及其关系）以及数据访问层实现。文章详细展示了节点实体类的定义、关系类型说明，并提供了Repository接口的代码示例，为开发复杂关系数据的图谱分析应用提供了实践参考。该方案

 凤山老林
2026-04-25 07:00:00

 394

 12

#spring boot #neo4j #后端
AI Agent Harness Engineering 的长期记忆构建：图数据库 Neo4j 在关系抽取中的应用实战

简单来说，AI Agent Harness Engineering 是指将通用大语言模型（LLMs）、计算机视觉（CV）、语音识别（ASR）、语音合成（TTS）等基础AI技术，与工具调用（Tool Calling）、感知（Perception）、行动（Action）、规划（Planning）、反思（Reflection）等Agent核心能力进行工程化封装、组合、优化的方法论和技术体系。它的目标是。

2501_91590464
2026-04-23 01:29:09

 450

 12

#人工智能 #数据库 #neo4j
电商知识图谱实战：从业务建模到 Neo4j 图数据库落地

本文介绍了电商客服场景下构建知识图谱的解决方案。针对电商平台面临的商品信息碎片化、用户表达差异等挑战，提出采用Neo4j图数据库构建电商知识图谱的方法。详细阐述了业务建模过程，包括SKU、SPU、品类等核心实体设计及关系定义，并提供了Python批量导入Neo4j的实战代码。文章展示了5个典型Cypher查询场景，涵盖商品检索、属性筛选等业务需求，同时分享了索引优化和常见问题的处理经验。最后指出未

 mynameltg123
2026-04-07 20:00:00

 797

 21

#知识图谱 #neo4j #人工智能
动手实践：基于 Graphiti 源码定制一个具备长短期记忆的个人助理

Graphiti开源框架通过动态知识图谱技术解决了大语言模型(LLM)在个人助理应用中的记忆难题。相比传统向量数据库，Graphiti具备时态感知、关系驱动和自动演化三大优势，能有效处理复杂的时间跨度和实体关系。文章详细介绍了基于Graphiti构建个人助理的系统架构，包含短期记忆和长期记忆两个层级，并提供了从环境配置、记忆注入到检索唤醒的完整代码实现方案。通过修改源码的提取逻辑和权重算法，开发者

 天天进步2015
2026-04-07 08:59:49

 225

 3

#人工智能 #neo4j
TensorFlow Lite在边缘设备上的推理性能优化指南

边缘设备（如手机、智能手表、工业传感器）的算力、内存、电量有限，但越来越多AI任务（如实时拍照美颜、语音唤醒、设备异常检测）需要在本地完成。TensorFlow Lite（简称TFLite）作为Google推出的边缘设备专用推理框架，目标是“用最少的资源跑最快的模型”。本文将聚焦TFLite在边缘设备上的推理性能优化，覆盖模型压缩、硬件加速、计算调度等核心技术，帮助开发者解决“模型跑不动”“延迟太

 weixin_51960949
2026-04-02 23:03:16

 140

 2

#tensorflow #性能优化 #neo4j
端侧AI 模型部署(Windows/TFLite/Android Studio )实战一

os.environ['CUDA_VISIBLE_DEVICES'] = '-1' # 强制禁用GPU，100%解决你最后这个报错。注意1：在这一步编译运行出现了很多错误，大部分都是一直库导入依赖解决，但其中最坑的一个是namespace报错问题，test.jpg预置的是CSDN的头像,结果识别成island，流程没有问题，但置信度很低，后面会进一步优化更新。预置图片到app\src\main\r

xiechaochaohb
2026-04-01 02:24:23

 583

 5

#android #人工智能 #neo4j
题库特征工程与智能质量保障体系：基于多维答题数据的AI驱动题库健康管理

如果你是在线教育平台的运营或技术负责人，我相信你一定也遇到过类似的情况。这三个简单的问题背后，隐藏着一个复杂的系统工程问题：**如何让系统自动发现并修正问题题目？**本文将深入探讨这个问题，从特征工程、异常检测、AI干预、三级监察四个维度，详细介绍如何构建完整的题库质量闭环。我会一步步解释，确保零基础读者也能完全理解。

玄同765
2026-03-24 21:38:47

 530

 10

#neo4j #知识图谱 #人工智能 +2
基于YOLOv8的端侧麻将识别与部署实践

训练后将模型导出为TensorFlow Lite格式，并应用动态范围量化，模型体积从6.2MB压缩至2.1MB，推理速度提升约30%，同时精度下降小于0.5%。：最终得到1.8万张标注图片，覆盖白天/夜晚/暖光、俯拍/斜拍、牌面不同程度磨损等场景，按8:1:1划分训练/验证/测试集。加入Mosaic和MixUp后，弱光下识别率明显提升，但模型对极端磨损牌面仍有混淆，后续计划针对这类样本做离线增强。

cejing334
2026-03-24 17:15:32

 1114

 21

#neo4j
光伏交直流混合微电网双下垂控制离网（孤岛）模式Matlab仿真探索

光伏交直流混合微电网双下垂控制离网（孤岛）模式Matlab仿真模型①交直流混合微电网结构：1.直流微电网，由光伏板+Boost变换器组成，最大输出功率10 kW。2.交流微电网，由光伏板+Boost变换器+LCL逆变器组成，最大输出功率15 kW。3.互联变换器（ILC），由LCL逆变器组成，用于连接交直流微电网。②模型内容：1.直流微电网：采用下垂控制，控制方式为电压电流双闭环，直流母线额定电压

 xutSwIpZotzM
2026-03-22 10:45:00

 158

 2

#neo4j
高频隔离型光伏离网单相逆变器的控制算法的C代码+仿真模型，DC70~150V输入，AC220V...

1. 主回路DC/DC+DC/AC，相较于传统的非隔离型光伏逆变器，前级DC/DC不再采用boost电路，而是采用高频移相全桥电路来实现升压+隔离，开关频率80~100kHz；1. 主回路DC/DC+DC/AC，相较于传统的非隔离型光伏逆变器，前级DC/DC不再采用boost电路，而是采用高频移相全桥电路来实现升压+隔离，开关频率80~100kHz；3. 为了提高后级DC/AC单相逆变器的输出电压

 HJHoMFoavQSO
2026-03-19 09:30:00

 310

 8

#neo4j
neo4j知识图谱+大模型教育应用赋能教育技术学专业

MATCH (et:CoreConcept {name: '教育技术'})-[r:包含]->(ct:CommunicationTheory {name: '传播理论'})MATCH (et:CoreConcept {name: '教育技术'})-[r:包含]->(st:SystemScience {name: '系统科学'})MATCH (et:CoreConcept {name: '教育技术'}

qianmo2021
2026-03-18 20:49:38

 520

 5

#neo4j #知识图谱 #人工智能
如何使用TensorFlow中的Dataset API

载入数据：为数据创建一个Dataset实例创建一个迭代器：使用创建的数据集来构造一个Iterator实例以遍历数据集使用数据：使用创建的迭代器，我们可以从数据集中获取数据元素，从而输入到模型中去。

安全工程师教程
2026-03-18 10:05:36

 348

 6

#tensorflow #neo4j #人工智能
neo4j图数据库

Neo4j是一款基于Java的开源图数据库，支持ACID事务和集群部署。其核心概念包括节点(Node)、关系(Relationship)、属性(Property)和标签(Label)。安装过程包括配置yum源、修改配置文件等步骤。Neo4j提供Web管理界面，默认端口7474。专用查询语言Cypher支持CREATE、MATCH、MERGE等操作，可实现节点创建、查询、关系处理等功能，并提供WHE

温故而知新user
2026-03-17 21:33:47

 511

 9

#neo4j #数据库