news 2026/5/10 10:26:55

基于Neo4j与MCP协议，为AI智能体构建动态知识图谱大脑

作者头像

张小明

前端开发工程师

1.2k 24
文章封面图
基于Neo4j与MCP协议，为AI智能体构建动态知识图谱大脑

1. 项目概述：为AI智能体构建一个动态知识大脑

如果你正在使用Cursor、Claude Desktop这类AI编程助手，并且对它们能记住上下文、理解项目结构的能力感到惊喜，那么Graphiti MCP Server可能会让你对AI智能体的认知再上一个台阶。简单来说，它不是一个普通的工具，而是一个专为AI智能体设计的“外挂大脑”——一个基于Neo4j图数据库的动态知识图谱服务器。想象一下，你的AI助手不再仅仅依赖当前对话的短暂记忆，而是可以随时查询、更新一个结构化的、互联的知识网络，这个网络里存储着你项目的所有实体、概念、依赖关系和历史决策。这就是Graphiti MCP Server的核心价值。

它通过Model Context Protocol（MCP）与你的AI客户端（如Cursor）无缝集成。MCP你可以理解为AI世界的“USB协议”，它定义了一套标准，让不同的工具（服务器）能以一种统一的方式向AI模型（客户端）提供额外的上下文和能力。Graphiti作为MCP服务器，主要干两件事：一是利用大语言模型（如GPT-4）的智能，从非结构化的文本（如你的代码注释、文档、对话记录）中自动提取实体（如函数名、类、技术栈、业务概念）和它们之间的关系；二是将这些结构化的知识存入Neo4j图数据库，并提供强大的语义搜索和图遍历能力。当你的AI助手需要回答一个复杂问题时，它可以通过MCP向Graphiti服务器发起查询，快速从知识图谱中找到相关的实体和路径，从而给出更精准、更有上下文的回答。

这个项目特别适合开发者、技术团队和知识密集型工作者。对于个人开发者，你可以用它来管理个人项目的技术债、梳理复杂的代码依赖。对于团队，它可以作为团队知识库的核心，将设计文档、会议纪要、API文档和代码本身关联起来，新成员 onboarding 时，AI助手能基于这个图谱给出极其精准的引导。接下来，我将从设计思路、部署实操、核心功能使用到深度定制，为你完整拆解这个项目。

2. 核心架构与设计思路拆解

2.1 为什么选择“图数据库+LLM+MCP”的技术栈？

要理解Graphiti的价值，得先明白它解决的痛点。传统的AI助手在复杂项目中的局限性很明显：上下文窗口有限，无法持久化记忆；对项目内部复杂的关联关系（比如A模块调用了B服务的哪个API，又依赖了C库的哪个版本）缺乏结构化理解。Graphiti的解决方案是一个“铁三角”组合。

Neo4j图数据库是基石。为什么是图数据库，而不是传统的关系型数据库（如MySQL）或文档数据库（如MongoDB）？因为知识本质上是关联的网络。一个“用户”实体通过“创建”关系连接到一个“订单”实体，“订单”又通过“包含”关系连接到多个“商品”实体。用SQL的多表JOIN来查询这种多跳关系，随着数据量和关联深度的增加，会变得异常复杂和低效。而Neo4j的图查询语言Cypher，其语法近乎于用自然语言描述关系路径，例如MATCH (u:User)-[:CREATED]->(o:Order)-[:CONTAINS]->(p:Product)，非常直观，且在查询深度关联数据时性能上有天然优势。这对于需要频繁进行“顺藤摸瓜”式查询的知识图谱场景，是再合适不过的选择。

大语言模型（LLM）是智能提取器。光有存储结构不够，我们还需要把非结构化的文本（你的代码、文档、笔记）变成结构化的图数据。这就是LLM大显身手的地方。Graphiti利用OpenAI的API（或兼容的Azure OpenAI），将文本发送给LLM，通过精心设计的提示词（Prompt），引导模型识别文本中的实体类型（如Person,Class,APIEndpoint）、实体属性以及实体间的关系（如CALLS,DEPENDS_ON,MENTIONS）。这个过程称为“实体关系联合抽取”。LLM的强大语义理解能力，使得它能够从模糊的描述中准确识别出技术概念和它们之间的逻辑联系，这是基于规则或传统NLP模型很难做到的。

Model Context Protocol是连接桥梁。MCP是Anthropic提出的一种开放协议，旨在标准化AI应用与工具之间的通信。在Graphiti的语境下，你的Cursor IDE作为MCP客户端，Graphiti服务器作为MCP服务端。客户端通过MCP协议向服务器声明自己需要哪些“工具”（Tools）和“资源”（Resources）。服务器则暴露一系列能力，比如“搜索知识图谱”、“添加新知识”、“推荐相关概念”。当你在Cursor里向AI提问时，AI模型会判断是否需要调用Graphiti提供的工具，如果需要，则通过MCP协议发送请求，Graphiti执行操作（如查询图谱）并将结果通过协议返回，AI再整合结果生成最终回答给你。这一切对用户是无感的，你只觉得AI突然变得特别“懂”你的项目。

2.2 Graphiti MCP Server的核心工作流

理解了技术栈，我们来看一个典型的工作流，这能帮你更好地把握后续的配置和使用。

  1. 初始化与知识注入：你启动Graphiti服务器和Neo4j数据库。最初，图谱是空的。你可以通过几种方式注入初始知识：a) 让AI助手分析你当前打开的代码文件，自动提取实体和关系；b) 直接上传项目文档或技术规格书；c) 通过对话，手动告诉AI“请记住，我们的用户服务依赖于MySQL和Redis”。

  2. 动态交互与学习：在日常开发对话中，当你提到一个概念，比如“修改UserController的登录逻辑”，AI助手会通过MCP调用Graphiti的搜索工具。Graphiti在图谱中查找与“UserController”、“登录”相关的节点和路径，将找到的上下文（比如UserController调用了AuthService，AuthService又使用了JWT库）返回给AI。AI在拥有这些精准上下文后，给出的代码修改建议会避开破坏现有依赖，甚至能提醒你“修改这里可能影响到下游的SessionManager”。

  3. 图谱的持续演化：这是一个学习型系统。当AI根据图谱上下文给出了优秀建议，而你采纳了，这个交互本身可以被视为一种确认。更高级的用法是，你可以让AI将本次对话中有价值的新信息（比如你决定弃用某个旧库）总结出来，并调用Graphiti的“添加知识”工具，更新到图谱中。这样，图谱就像项目的“集体记忆”，随着项目发展而不断生长、修正。

这个设计巧妙地将LLM的泛化理解能力、图数据库的结构化存储与查询能力、以及MCP的标准化互操作能力结合在一起，创造了一个能够“理解”复杂项目上下文的、可进化的AI辅助系统。

3. 从零开始的部署与配置实操

纸上谈兵终觉浅，我们直接上手，把环境跑起来。项目推荐使用Docker Compose部署，这是最省心、环境最一致的方式。

3.1 前期准备与环境检查

首先，确保你的开发机满足以下条件：

  • 操作系统：Linux, macOS 或 Windows（需安装WSL2以获得最佳体验）。
  • Docker与Docker Compose：这是必须的。在终端运行docker --version和docker compose version检查是否安装。建议使用Docker Desktop，它通常两者都包含。
  • 硬件资源：至少4GB空闲内存，8GB或以上为佳。Neo4j和LLM推理（虽然推理在云端，但本地服务处理需要内存）都是内存消耗大户。预留2GB以上的磁盘空间。
  • 网络：能够稳定访问OpenAI API（或你配置的Azure OpenAI端点）。如果网络环境特殊，后续配置环节会讲到代理设置。
  • OpenAI API Key：这是驱动LLM提取能力的“燃料”。前往OpenAI平台创建并获取一个API Key。请妥善保管，我们下一步会用到。

3.2 一步一步启动你的知识图谱服务器

第一步：获取项目代码。打开终端，克隆项目仓库并进入目录。

git clone https://github.com/gifflet/graphiti-mcp-server.git cd graphiti-mcp-server

这个操作会把服务器源代码、Docker配置等文件下载到本地。

第二步：配置关键环境变量。项目提供了一个环境变量模板文件.env.sample。我们复制它并创建自己的.env文件。

cp .env.sample .env

现在，用你喜欢的文本编辑器（如VSCode, Vim, Nano）打开.env文件。你会看到类似下面的内容：

# Required for LLM operations OPENAI_API_KEY=your_openai_api_key_here MODEL_NAME=gpt-4.1-mini # Optional: Custom OpenAI endpoint (e.g., for proxies) # OPENAI_BASE_URL=https://api.openai.com/v1 # Neo4j Configuration (defaults work with Docker) NEO4J_URI=bolt://neo4j:7687 NEO4J_USER=neo4j NEO4J_PASSWORD=demodemo

你需要做以下修改：

  1. 将your_openai_api_key_here替换成你真实的OpenAI API Key。这是最关键的一步。
  2. MODEL_NAME可以根据需要调整。gpt-4.1-mini是性价比不错的选择。如果你有更高预算和需求，可以换成gpt-4o或gpt-4-turbo以获得更强的推理能力。
  3. Neo4j的配置（URI, 用户名，密码）在Docker Compose网络内使用默认值即可，除非你有特殊需求。demodemo是默认密码，在生产环境中务必修改为强密码！

注意：.env文件包含你的敏感密钥，千万不要将其提交到版本控制系统（如Git）。项目通常已在.gitignore中排除了.env文件，但请再次确认。

第三步：一键启动所有服务。在项目根目录下，运行以下命令：

docker compose up -d

-d参数代表“detached”，让服务在后台运行。Docker Compose会读取当前目录下的docker-compose.yml文件，依次拉取Neo4j和Graphiti MCP Server的镜像（如果本地没有），创建容器和内部网络，并启动它们。

第四步：验证服务状态。启动完成后，运行以下命令检查容器是否正常运行：

docker compose ps

你应该看到两个服务neo4j和graphiti-mcp的状态都是Up。如果状态异常，可以查看日志排查：

docker compose logs -f graphiti-mcp

按Ctrl+C可以退出日志跟随模式。

3.3 关键配置项深度解析

环境变量是控制服务器行为的核心。除了基础的API Key，理解其他配置能让你更好地驾驭这个系统。

OpenAI相关配置：

  • OPENAI_BASE_URL：这是一个非常实用的配置。如果你的网络需要通过代理访问OpenAI，或者你使用的是兼容OpenAI API格式的第三方模型服务（如某些本地部署的模型网关），可以在这里设置完整的API端点URL。例如，如果你使用一个代理服务，可以设置为https://your-proxy-domain.com/v1。OpenAI Python SDK会直接使用这个地址。
  • LLM_TEMPERATURE：控制LLM输出的随机性。值越低（如0.0），输出越确定、一致；值越高（如0.8），输出越有创造性、不可预测。对于知识提取这种需要高准确度的任务，建议保持为0.0或一个很低的值（如0.1）。
  • EMBEDDER_MODEL_NAME：指定用于生成文本嵌入向量的模型。嵌入向量用于语义搜索。text-embedding-3-small是当前性价比很高的选择。如果你需要更高的检索精度，可以考虑text-embedding-3-large，但会消耗更多tokens。

服务器性能与资源限制：

  • SEMAPHORE_LIMIT：这个参数至关重要，它控制着向OpenAI API发起并发请求的最大数量。设置得太高，可能会迅速触发OpenAI的速率限制（Rate Limit），导致请求失败；设置得太低，则无法充分利用资源，在处理大量文档时速度会慢。默认值10是一个相对保守的起点。实操心得：如果你在批量导入文档时频繁收到“429 Too Many Requests”错误，请尝试将这个值降低到5或3。反之，如果你的API配额很高且网络稳定，可以适当提高到15或20以加速处理。

关于Azure OpenAI的配置：如果你所在的组织使用Azure OpenAI服务，配置方式有所不同。你不能同时设置标准OpenAI和Azure的变量。你需要注释掉或删除OPENAI_API_KEY和MODEL_NAME，转而设置以下Azure专用变量：

AZURE_OPENAI_ENDPOINT=https://your-resource.openai.azure.com/ AZURE_OPENAI_API_VERSION=2024-02-01 AZURE_OPENAI_DEPLOYMENT_NAME=your-gpt-4-deployment-name OPENAI_API_KEY=your_azure_openai_api_key_here # 注意：这里仍然使用 OPENAI_API_KEY 这个变量名，但值是你的Azure密钥。

确保你的Azure部署名称与变量中的AZURE_OPENAI_DEPLOYMENT_NAME完全一致。

3.4 验证安装与初步访问

服务启动后，可以通过几个方式验证一切正常：

  1. 健康检查：Graphiti服务器提供了一个简单的健康检查端点。

    curl http://localhost:8000/health

    如果返回{"status":"healthy"}或类似信息，说明Graphiti服务本身运行正常。

  2. 访问Neo4j浏览器：在本地浏览器中打开http://localhost:7474。这是Neo4j自带的图形化管理界面。首次登录，使用你在.env中设置的用户名（默认neo4j）和密码（默认demodemo）。登录后，你会看到一个可以输入Cypher查询命令的界面。目前数据库是空的，但能成功登录说明Neo4j服务运行正常。

  3. 测试MCP SSE端点：MCP服务器通常通过Server-Sent Events (SSE) 或 WebSocket 提供连接。你可以测试SSE端点是否能连接。

    curl -N http://localhost:8000/sse

    这个命令会发起一个长连接，如果服务器响应，你会看到一些初始化的事件流数据。按Ctrl+C中断即可。这证明MCP传输层工作正常。

至此，你的Graphiti MCP Server后端已经就绪。接下来，我们要让它和你的AI助手（以Cursor为例）对话。

4. 与AI客户端集成：以Cursor IDE为例

服务器跑起来了，但它还是个“孤岛”。我们需要通过MCP协议，让它成为Cursor AI助手的一部分。下面以Cursor IDE为例，演示完整的集成流程。

4.1 配置Cursor的MCP设置

Cursor内置了对MCP的支持。我们需要编辑Cursor的配置文件，告诉它Graphiti服务器的位置。

  1. 打开Cursor的MCP设置文件。这个文件通常位于：

    • macOS/Linux:~/.cursor/mcp.json
    • Windows:%USERPROFILE%\.cursor\mcp.json如果文件或目录不存在，手动创建即可。

  2. 编辑mcp.json文件。根据你的Graphiti运行方式，选择一种配置：

    如果你按照上述Docker方式运行，Graphiti服务器在localhost:8000提供SSE服务。配置如下：

    { "mcpServers": { "Graphiti": { "url": "http://localhost:8000/sse" } } }

    这种配置最简单，Cursor会直接通过HTTP连接到这个SSE端点。

    如果你希望通过命令行直接启动Graphiti进程（例如在本地开发时），可以使用“stdio”传输模式，配置如下：

    { "mcpServers": { "Graphiti": { "command": "uv", "args": [ "run", "graphiti_mcp_server.py" ], "env": { "OPENAI_API_KEY": "sk-your-key-here", "NEO4J_URI": "bolt://localhost:7687" } } } }

    这种模式下，Cursor会启动一个子进程来运行Graphiti服务器，进程间通过标准输入输出通信。你需要确保uv和项目依赖已在你的Python环境中安装好。

  3. 保存配置文件，并完全重启Cursor IDE。MCP配置通常在Cursor启动时加载，修改后必须重启才能生效。

4.2 导入Graphiti专属规则（增强体验）

为了让Cursor的AI助手更好地利用Graphiti的能力，项目提供了一个规则文件graphiti_cursor_rules.mdc。这个文件包含了提示词，指导AI何时以及如何调用Graphiti的工具。

  1. 在Graphiti项目根目录找到graphiti_cursor_rules.mdc文件。
  2. 打开Cursor IDE，进入设置（Settings）。
  3. 找到“User Rules”或“规则”设置项。
  4. 将graphiti_cursor_rules.mdc文件的内容全部复制粘贴到User Rules中。
  5. 保存设置。

这个规则的作用是“教育”Cursor的AI：当用户的问题涉及项目理解、代码关系、架构探索时，你应该主动去查询Graphiti知识图谱来获取上下文。没有这个规则，AI可能不会主动使用Graphiti，需要你手动触发。

4.3 开始你的第一次“增强对话”

配置完成后，打开一个已有的代码项目（比如一个Python Web后端或React前端项目）。

  1. 在Cursor中，启动一个新的Agent会话（通常通过快捷键Cmd+K或Ctrl+K呼出命令面板，选择“New Agent”）。
  2. 在聊天框中，尝试问一个关于项目结构的问题。例如：
    • “这个Django项目里，models.py中定义的User模型都被哪些视图（views）使用了？”
    • “帮我找一下所有处理用户认证（authentication）的代码文件。”
    • “解释一下OrderService和PaymentService之间是怎么交互的。”

如果一切配置正确，你应该能在AI的回复中看到它调用了Graphiti工具的痕迹（有时Cursor会在消息旁显示一个小工具图标）。AI的回答会基于从知识图谱中查询到的实体关系，变得更加具体和准确。

实操心得：首次运行的常见情况：第一次使用时，图谱是空的，所以AI查询不到东西。你需要先“喂”一些知识进去。一个简单的方法是：让AI分析当前打开的文件。你可以说：“请分析当前打开的services/auth.py文件，并将其中的主要实体和关系提取到知识图谱中。” AI会调用Graphiti的提取工具，LLM会解析文件内容，并将识别出的类、函数、依赖等存入Neo4j。多分析几个核心文件后，图谱就有了内容，后续的查询就会变得有意义。

5. 核心功能使用与高级技巧

5.1 知识注入：多种方式构建你的图谱

一个强大的知识图谱需要高质量的数据。Graphiti提供了几种知识注入途径：

  1. 对话式注入：最自然的方式。直接告诉AI：“请记住，我们这个微服务项目包含user-service、order-service和payment-service，它们通过RabbitMQ通信。” AI会理解你的话，并调用工具将这些信息结构化后存入图谱。

  2. 文件分析注入：这是最常用、最高效的方式。将你的项目目录在Cursor中打开，然后让AI助手遍历分析关键文件。

    • 针对性分析：“请分析src/controllers/目录下的所有文件，提取其中的控制器类和它们路由的API端点。”
    • 批量分析：你可以写一个简单的脚本，但通过AI更简单：“你能帮我写一个简单的Python脚本吗，用来遍历项目中的.py文件，并调用Graphiti的提取功能？” AI可能会给你一个使用os.walk和requests调用本地MCP服务器端点的脚本示例。

  3. 文档导入：将设计文档（Markdown、PDF需提取文本）、API文档（如Swagger/OpenAPI JSON）的内容复制粘贴给AI，并指示它提取关键信息。例如，将OpenAPI规范粘贴进去，然后说：“请从这份OpenAPI文档中提取所有的API路径（paths）、请求方法、参数和响应模型，并存入知识图谱。”

注意事项：知识提取的质量高度依赖LLM的能力和你的提示清晰度。对于代码文件，效果通常很好。对于非结构化的自然语言文档，LLM可能会提取出一些模糊或错误的关系。最佳实践是，先从核心的、结构良好的代码文件开始构建图谱主干，再逐步补充文档信息。

5.2 图谱查询与探索：向你的“项目大脑”提问

当图谱有了一定数据后，你可以通过AI进行复杂的查询。关键在于学会如何“提问”。

  • 查找实体及其关联：“找出所有与‘Redis’相关的组件。” AI会查询标签为Technology或Component且名称为Redis的节点，并返回与之相连的其他节点（如哪些服务使用了它）。
  • 追溯依赖链：“如果我要修改EmailService的send方法，哪些地方的代码可能会受到影响？” 这本质上是一个“反向依赖”查询，AI会寻找所有指向EmailService.send的CALLS或DEPENDS_ON关系。
  • 理解数据流：“从用户提交订单到生成物流单，中间经历了哪些主要的服务和数据转换？” 这需要AI在图谱中寻找一条或多条连接“订单提交”事件和“物流单生成”事件的路径。
  • 语义搜索：“帮我找找项目中所有关于‘缓存失效策略’的讨论或代码。” 这利用了嵌入向量的语义搜索能力，即使没有直接的“缓存失效”节点，也能找到相关概念的代码注释或文档片段。

高级技巧：直接使用Neo4j浏览器进行探索。对于想深度挖掘数据的开发者，直接访问http://localhost:7474使用Neo4j浏览器是绝佳选择。你可以运行Cypher查询，例如：

MATCH (n:Class {name: 'UserController'})-[r]->(m) RETURN n, r, m

这个查询会可视化展示所有从UserController节点出发的关系。通过图形化界面，你能直观地看到知识的网络结构，这是纯文本交互无法比拟的。

5.3 自定义实体与关系类型

默认的实体和关系类型（如Class,Function,CALLS,DEPENDS_ON）可能不完全符合你的项目领域。Graphiti支持一定程度的自定义。

查看项目源代码，特别是与提示词（prompt）和LLM调用相关的部分，你会发现实体和关系的类型定义。你可以修改这些定义，以提取更适合你领域的知识。例如，在一个电商项目中，你可能想定义Product,SKU,Inventory等实体类型，以及HAS_VARIANT,LOCATED_IN等关系类型。

操作流程通常涉及：

  1. 找到项目中负责构造提取提示词的模块（例如prompts.py或类似文件）。
  2. 修改其中定义实体和关系类型的系统提示词部分。
  3. 如果你以开发模式运行服务器（uv run graphiti_mcp_server.py），修改会生效。如果是Docker运行，则需要重新构建镜像。

这是一个相对高级的功能，需要对项目代码结构有一定了解。但对于垂直领域知识的构建，这能极大提升图谱的精确度和实用性。

6. 生产环境考量与故障排查

6.1 安全与性能优化

当你打算长期使用或与团队共享时，需要考虑以下几点：

  • Neo4j密码：务必修改默认的NEO4J_PASSWORD，使用一个强密码，并在.env文件中更新。
  • API密钥管理：不要在代码或配置文件中硬编码API Key。使用.env文件，并确保其被.gitignore保护。在服务器环境中，可以考虑使用Docker secrets或云服务商提供的密钥管理服务（如AWS Secrets Manager, Azure Key Vault）。
  • 网络暴露：默认配置下，Neo4j浏览器（7474端口）和Graphiti服务器（8000端口）都暴露在本地主机。如果部署在云服务器上，务必配置防火墙（如AWS安全组、Azure NSG）或使用反向代理（如Nginx）来限制访问源IP，避免公网直接暴露。强烈建议为Neo4j浏览器设置密码，并考虑将Graphiti服务器置于需要身份验证的反向代理之后。
  • 数据持久化：查看docker-compose.yml，确认Neo4j的数据卷（volume）配置是否已经映射到宿主机。默认配置通常包含一个名为neo4j_data的卷，确保你的图谱数据在容器重启后不会丢失。
  • 资源限制：在docker-compose.yml中，可以为neo4j和graphiti-mcp服务添加资源限制，防止单个服务耗尽主机资源。
    services: neo4j: # ... 其他配置 deploy: resources: limits: memory: 2G reservations: memory: 1G graphiti-mcp: # ... 其他配置 deploy: resources: limits: memory: 1G reservations: memory: 512M

6.2 常见问题与解决方案实录

在实际部署和使用中，你可能会遇到以下问题：

问题一：Docker Compose启动失败，提示端口被占用。

  • 表现：Error starting userland proxy: listen tcp4 0.0.0.0:7474: bind: address already in use
  • 原因：本地机器的7474（Neo4j浏览器）、7687（Neo4j Bolt）或8000（Graphiti）端口已被其他程序占用。
  • 解决：
    1. 使用lsof -i :7474（macOS/Linux）或netstat -ano | findstr :7474（Windows）查找占用端口的进程。
    2. 停止该进程，或修改docker-compose.yml中服务的端口映射，例如将"7474:7474"改为"7475:7474"，然后通过localhost:7475访问。

问题二：Graphiti服务日志显示OpenAI API连接错误。

  • 表现：日志中大量出现APIConnectionError或RateLimitError。
  • 原因：
    1. OPENAI_API_KEY未设置或错误。
    2. 网络问题，无法访问api.openai.com。
    3. 请求速率超过限制（Rate Limit）。
  • 解决：
    1. 检查.env文件中的OPENAI_API_KEY是否正确，确保没有多余空格。
    2. 尝试在终端执行curl https://api.openai.com/v1/models（需在请求头带上API Key）测试网络连通性。如果失败，可能需要配置网络代理，并通过设置OPENAI_BASE_URL指向代理地址。
    3. 如果确定是速率限制，请降低SEMAPHORE_LIMIT环境变量的值（例如从10降到3），并考虑在OpenAI平台查看你的用量和限制。

问题三：Cursor AI无法连接Graphiti服务器，或提示“MCP server error”。

  • 表现：Cursor中AI助手没有调用Graphiti的迹象，或在调用时报错。
  • 原因：
    1. Cursor的mcp.json配置文件路径错误或格式不对。
    2. Graphiti服务器没有正常运行。
    3. Cursor未重启，配置未生效。
  • 解决：
    1. 确认mcp.json文件路径正确，且JSON格式无误（可以使用在线JSON校验工具）。
    2. 运行docker compose ps和docker compose logs graphiti-mcp确认Graphiti服务状态正常，无报错。
    3. 务必完全关闭Cursor IDE并重新打开。
    4. 在Cursor中，尝试打开开发者工具（Developer Tools，通常可在帮助菜单找到），查看控制台（Console）是否有关于MCP连接的报错信息。

问题四：知识提取结果不准确或遗漏。

  • 表现：AI提取的实体关系与代码实际不符，或漏掉了重要部分。
  • 原因：
    1. 使用的LLM模型（如gpt-4.1-mini）能力有限，对复杂代码理解不足。
    2. 提示词（Prompt）对于特定代码范式（如函数式编程、装饰器大量使用）可能不够优化。
    3. 文件太大，超出模型上下文窗口。
  • 解决：
    1. 尝试升级到更强的模型，如gpt-4o，在.env中修改MODEL_NAME。
    2. 考虑将大文件分块处理。可以指示AI：“请先分析这个文件的前200行，提取主要类结构；再分析后续部分。”
    3. 提供更明确的指令。例如：“在提取时，请特别关注被@api.route装饰的函数，它们都是API端点。”

问题五：Neo4j数据库数据混乱或想清空重来。

  • 表现：图谱中积累了测试数据或错误数据，想重置。
  • 解决：
    1. 最彻底的方式是删除Neo4j的数据卷并重启。
    docker compose down -v # -v 参数会删除所有关联的卷 docker compose up -d
    警告：这将永久删除所有图谱数据！请谨慎操作。 2. 更精细的方式是进入Neo4j浏览器 (http://localhost:7474)，执行Cypher命令删除所有节点和关系：
    MATCH (n) DETACH DELETE n

这个项目将前沿的LLM、图数据库和智能体协议结合，为开发者提供了一个可编程、可扩展的“项目记忆体”。从我个人的使用体验来看，初期投入一些时间构建图谱是值得的，尤其是在参与大型或历史悠久的项目时，它能显著降低认知负荷，让AI助手从一个“临时工”变成真正理解项目脉络的“资深协作者”。你可以从一个小型个人项目开始尝试，逐步摸索出最适合自己工作流的图谱构建和查询方式。

版权声明: 本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若内容造成侵权/违法违规/事实不符，请联系邮箱：809451989@qq.com进行投诉反馈，一经查实，立即删除！
网站建设 2026/5/10 10:20:58

LibreDWG：打破CAD格式壁垒的跨平台开源解决方案

LibreDWG：打破CAD格式壁垒的跨平台开源解决方案 【免费下载链接】libredwg Official mirror of libredwg. With CI hooks and nightly releases. PRs ok 项目地址: https://gitcode.com/gh_mirrors/li/libredwg 在CAD设计领域，AutoCAD的DWG格式长…

作者头像 李华
网站建设 2026/5/10 10:19:41

突破硬件限制：AMD处理器性能优化完整实战指南

突破硬件限制：AMD处理器性能优化完整实战指南 【免费下载链接】SMUDebugTool A dedicated tool to help write/read various parameters of Ryzen-based systems, such as manual overclock, SMU, PCI, CPUID, MSR and Power Table. 项目地址: https://gitcode.co…

作者头像 李华
网站建设 2026/5/10 10:18:42

PlayCover多语言支持终极指南：让全球用户轻松使用iOS应用

PlayCover多语言支持终极指南：让全球用户轻松使用iOS应用 【免费下载链接】PlayCover Community fork of PlayCover 项目地址: https://gitcode.com/gh_mirrors/pl/PlayCover 你是否曾经想在Mac上运行自己喜欢的iOS应用，却发现界面全是英文&#…

作者头像 李华
网站建设 2026/5/10 10:16:43

Awesome Claude API 中转资源汇总

Awesome Claude API 中转资源汇总 一份精心整理的可靠 Claude 中转 API 资源列表，帮助开发者快速找到稳定、高性价比的 Claude API 服务。 前言：为什么需要中转 API？ Claude 官方 API 虽然强大，但国内开发者常常面临几个痛点： 支付门槛：需要海外信用卡，注册流程复杂 网…

作者头像 李华
网站建设 2026/5/10 10:15:24

终极指南：用AI算法轻松突破2048高分极限

终极指南：用AI算法轻松突破2048高分极限 【免费下载链接】2048-ai AI for the 2048 game 项目地址: https://gitcode.com/gh_mirrors/20/2048-ai 还在为2048游戏卡在512或1024而烦恼吗？想要知道高手是如何轻松合成4096甚至8192的吗？今…

作者头像 李华