在开发过程中，知识图谱可用于构建复杂的数据关系结构、驱动智能搜索功能，以及构建可对不同数据类型进行推理的强大 AI 应用程序。知识图谱可以连接来自结构化和非结构化来源（数据库、文档等）的数据，为复杂的现实世界场景提供了一种直观灵活的 Modeling 方式。

与表格或简单的列表不同，知识图谱可以捕捉数据背后的意义和上下文，让您发现传统数据库难以发现的见解和联系。这种丰富的结构化上下文是改进 Large Language Model (LLM) 输出的理想选择，因为与仅使用语义搜索相比，您可以为模型构建更多相关上下文。 本课程将教您如何在检索增强生成（RAG）应用中利用知识图谱。您将学会： 1.了解知识图谱如何通过使用节点表示实体和使用边表示节点之间的关系来存储数据的基础知识。2. 使用 Neo4j 的查询语言 Cypher 从电影和演员数据的趣味图中检索信息。在知识图谱中添加向量索引，以表示非结构化文本数据，并使用向量相似性搜索查找相关文本。使用公开的金融和投资文档作为演示用例，从头开始构建文本文档知识图谱 5.探索连接多个知识图谱和使用复杂查询进行综合数据检索的高级技术 6.编写高级 Cypher 查询，从图中检索相关信息，并将其格式化，以便纳入您对 LLM 的提示中。 课程完成后，您将能够很好地使用知识图谱来发掘数据中更深层次的见解，并通过结构化的相关上下文来提高 LLM 的性能。