Neo4j 图数据库
该模块为记忆增强系统（如RAG、认知代理或个人内存助手）提供基于图结构的记忆存储和查询。
它定义了一个干净的抽象类(
它定义了一个干净的抽象类(
BaseGraphDB)，并使用Neo4j实现了一个可用于生产环境的实现。为什么记忆需要图存储?
与向量存储不同，一个图数据库允许:
- 将记忆组织成链、层次和因果关系
- 执行多跳推理和子图遍历
- 支持记忆重复数据删除、冲突检测和调度
- 随时间动态地演化图记忆
这构成了长期的、可解释的和组成性记忆推理的主干。
特色
- 跨不同图数据库的统一接口
- 内置对Neo4j的支持
- 支持向量增强检索(
search_by_embedding) - 模块化、可插拔和可测试
- v0.2.1 新特性 支持多租户图存储架构（单库多用户）
- v0.2.1 新特性 兼容Neo4j 社区版（Community Edition）
目录结构
src/memos/graph_dbs/
├── base.py # BaseGraphDB的抽象接口
├── factory.py # 工厂从配置中实例化GraphDB
├── neo4j.py # Neo4jGraphDB的产品实现
如何使用
from memos.graph_dbs.factory import GraphStoreFactory
from memos.configs.graph_db import GraphDBConfigFactory
# 步骤1：构建工厂配置
config = GraphDBConfigFactory(
backend="neo4j",
config={
"uri": "bolt://localhost:7687",
"user": "your_neo4j_user_name",
"password": "your_password",
"db_name": "memory_user1",
"auto_create": True,
"embedding_dimension": 768
}
)
# 步骤2：实例化图存储
graph = GraphStoreFactory.from_config(config)
# 步骤3：增加记忆
graph.add_node(
id="node-001",
memory="Today I learned about retrieval-augmented generation.",
metadata={"type": "WorkingMemory", "tags": ["RAG", "AI"], "timestamp": "2025-06-05", "sources": []}
)
可插拔的设计
接口: BaseGraphDB
函数功能介绍：
1.节点操作：
插入：add_node（添加单节点）
add_nodes_batch(批量添加节点)
查询：get_node（查询单节点）
get_nodes(查询多个节点)
get_memory_count(查询节点数量)
node_not_exist（节点是否存在）
search_by_embedding(向量搜索可添加filter条件过滤，filter使用参见函数neo4j_example.example_complex_shared_db_search_filter获取完整的方法文档)
更新：update_node(更新单个节点)
删除：delete_node(删除单个节点)
clear (通过user_name删除所有相关节点)
参见函数neo4j_example.example_complex_shared_db_delete_memory获取完整的方法文档
2.边操作
插入：add_edge(添加三元组记忆)
查询：get_edges(查询多个关系)
edge_exists(是否存在关系)
get_children_with_embeddings(查询关系类型PARENT的节点列表)
get_subgraph(查询多跳节点)
删除：delete_edge(删除关系)
3.导入导出操作：
import_graph(从序列化的字典中导入整个图,参数包含所有待加载节点和边的字典 参数:{'nodes':[],'edges':[])
export_graph(以结构化形式导出所有图节点和边,支持分页)
参见src/memos/graph_dbs/base.py获取完整的方法文档。
当前的后端:
| 后端 | 状态 | 文件 |
|---|---|---|
| Neo4j | Stable | neo4j.py |
单库多租户（Shared DB, Multi-Tenant）
通过配置 user_name 字段，MemOS 支持在单个 Neo4j 数据库中隔离多个用户的记忆图谱，适用于协同系统、多角色场景：
config = GraphDBConfigFactory(
backend="neo4j",
config={
"uri": "bolt://localhost:7687",
"user": "neo4j",
"password": "your_password",
"db_name": "shared-graph",
"user_name": "alice",
"use_multi_db": false,
"embedding_dimension": 768,
},
)
每个用户的数据通过 user_name 字段在读写、搜索、导出中逻辑隔离，系统自动完成过滤。
示例参考
话不多说，都在代码里了
话不多说，都在代码里了
examples/basic_modules /neo4j_example.example_complex_shared_db(db_name="shared-traval-group-complex-new")Neo4j 社区版（Community Edition）支持
新增后端标识：neo4j-community
使用方式与标准 Neo4j 类似，但自动关闭企业功能：
- ❌ 不支持
auto_create数据库 - ❌ 不支持原生向量索引（必须使用外接向量库，目前只支持Qdrant）
- ✅ 强制启用
user_name逻辑隔离（社区版、或user_name属于同一业务不需要强隔离）
示例配置：
config = GraphDBConfigFactory(
backend="neo4j-community",
config={
"uri": "bolt://localhost:7687",
"user": "neo4j",
"password": "12345678",
"db_name": "paper",
"user_name": "bob",
"auto_create": False,
"embedding_dimension": 768,
"use_multi_db": False,
"vec_config": {
"backend": "qdrant",
"config": {
"host": "localhost",
"port": 6333,
"collection_name": "neo4j_vec_db",
"vector_dimension": 768,
"distance_metric": "cosine"
},
},
},
)
示例参考
examples/basic_modules /neo4j_example.example_complex_shared_db(db_name="paper", community=True)扩展
你可以添加任何其他图形引擎的支持（例如，TigerGraph, DGraph, Weaviate hybrid）:
- 子类
BaseGraphDB - 创建配置数据类(例如,
DgraphConfig) - 将它注册到:
GraphDBConfigFactory.backend_to_classGraphStoreFactory.backend_to_class
参见 src/memos/graph_dbs/neo4j.py 作为参考实现。