在当今数据驱动的世界里，知识图谱已成为一种强大的工具，能够捕获和查询不同实体之间复杂的关系。
传统上构建知识图谱需要大量的编码知识，但现在情况正在发生变化。本文将介绍一种简化的构建方法，将 Anthropic 的 Claude AI 助手与 Neo4j 图数据库结合起来。借助模型上下文协议 (Model Context Protocol, MCP)，这一过程完全无需编写任何代码。
本文将详细介绍我的实践经验，展示如何仅通过与 AI 助手的对话，就为一所学校（特别是建模其考试安排和课程信息）构建一个全面的教育系统知识图谱。
什么是模型上下文协议 (Model Context Protocol, MCP)？
模型上下文协议 (MCP) 是一项新兴标准，它允许 AI 模型与外部工具和数据源进行交互。借助 MCP，像 Claude 这样的 AI 助手能够在数据库等系统上直接执行命令，这极大地扩展了它们处理特定任务的能力，使其不再局限于自身的训练数据。
简单来说，MCP 让 Claude 能够直接访问并与你的 Neo4j 数据库交互。
前提条件
要按照此方法进行操作，你需要：
1. Docker Desktop：用于在容器中运行 Neo4j。 2. Neo4j 数据库：可以是 Docker 容器版或云实例。 3. UV 包管理器：一个快速的 Python 包管理器，用于安装本方法所需的软件依赖。
MacOS/Linux:
curl -LsSf https://astral.sh/uv/install.sh | sh
Windows:
powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"
4. Claude for Desktop
5. MCP 插件配置：用于连接 Claude 到 Neo4j；使用 Neo4j 提供的 mcp-neo4j-cypher 工具 （https://github.com/neo4j-contrib/mcp-neo4j/tree/main/servers/mcp-neo4j-cypher）。
设置 MCP 配置
成功实现此方法的关键在于正确设置 MCP 配置。我使用的配置如下：
"neo4j": {
"command": "/Users/<username>/.local/bin/uvx", # **请替换此路径**
"args": [
"mcp-neo4j-cypher",
"--db-url",
"bolt://localhost",
"--username",
"neo4j",
"--password",
"password"
]
}此配置通过 Bolt 协议将 Claude 连接到本地运行的 Neo4j 实例。请务必将配置中的 /Users/<username>/.local/bin/uvx 替换为你系统中 uvx 可执行文件的完整路径，并根据你的实际数据库设置调整 --db-url、--username 和 --password 参数。
在此获取云配置和 MCP 插件的详细信息（https://github.com/neo4j-contrib/mcp-neo4j/tree/main/servers/mcp-neo4j-cypher）。
验证设置
启动 Claude for Desktop 后，你将看到以下由 Neo4j 提供的新功能工具：
1. get-neo4j-schema：用于检索 Neo4j 数据库的模式 (schema)。 2. read-neo4j-cypher：用于从图数据库中查询信息。 3. write-neo4j-cypher：用于更新数据库中的图数据。
这些工具会出现在你的 Claude for Desktop 界面中，表明 MCP 已成功与 Neo4j 集成。
案例研究：构建教育系统知识图谱
为了展示此方法的强大之处，我决定构建一个教育系统——具体来说，是 Brainiacs 辅导中心 4B 班第二学期的考试安排和课程信息(https://brainiacstutoring.co.za/product-category/grade4/)。
第一步：创建基本模式 (schema)
第一步是建立图数据库的基本结构。通过与 Claude 对话，我说明了需要建模的实体和关系：
• 学校 (School)：Brainiacs 辅导中心 • 年级 (Grade)：四年级，B班 • 科目 (Subjects)：数学、英语、科学等 • 考试 (Exams)：安排了具体日期的考试 • 主题/内容 (Topics)：每个科目的具体课程章节
我没有编写查询语句，只是简单地向 Claude 解释了我的需求，然后它就生成并执行了相应的 Neo4j Cypher 命令来构建这个结构。
第二步：添加实体和关系
建立模式后，我需要从我的学校文档中提取实际数据来填充数据库。Claude 分析了我分享的考试安排和课程文档，然后自动创建了：
• 带有正确名称的学校节点 (School node) • 带有班级和学期信息的年级节点 (Grade node) • 各科目的科目节点 (Subject nodes) • 带有日期、时间和星期几的考试节点 (Exam nodes) • 代表课程章节的主题/内容节点 (Topic nodes) • 有意义地连接所有这些实体的关系 (Relationships)
所有这些都是通过自然对话完成的。我完全无需亲手编写任何 Cypher 查询语句！
要使用某个工具，你需要授权给它，可以选择授权一次或针对整个对话授权。在本例中，由于我正在更新数据库，所以需要注意，Claude 对我配置的数据库拥有完整的写入权限。
接着，Claude 从文档中提取信息，并使用 Cypher 语句在数据库中创建节点，包括：
• 年级 (Grade) • 科目 (Subject(s)) • 考试 (Exam) • 主题/内容 (Topics)
它会迭代处理每个主题/内容并单独创建。（注意：如果指示它从列表中创建，效率会更高。）
Claude 还会创建插入的节点之间的关系，这样我们就能从原始 PDF 文档中得到一个完整的图结构。
第三步：查询知识图谱
数据库填充完成后，我可以通过用普通英语向 Claude 提问来查询。例如，当我问“英语考试是什么时候？考哪些内容？”，Claude 就自动生成并运行了相应的 Cypher 查询，返回了以下信息：
英语考试：
• 日期： 2025年3月4日，星期二 • 时间： 上午11点至中午12点
英语考试内容：
1. 第6单元 — 交流 2. 第7单元 — 地点和方向 3. 第8单元 — 休息一下 4. 第9单元 — 打破纪录 5. 语法 — 包含在这些单元里的所有主题 6. 未见过的文章 (Unseen Passage) 7. 未见过的诗歌 (Unseen Poem) 8. 图片描述 (Picture Description)
在幕后，Claude 执行了类似以下的 Cypher 查询：
// 查询英语考试的时间安排
MATCH (subject:Subject {name: 'English'})-[:HAS_EXAM]->(exam:Exam)
RETURN exam.date AS Date, exam.day AS Day, exam.startTime AS StartTime, exam.endTime AS EndTime
// 查询英语考试的主题/内容
MATCH (subject:Subject {name: 'English'})-[:INCLUDES_TOPIC]->(topic:Topic)
RETURN topic.name AS Portion这些复杂的 Cypher 查询语句，正是 Claude 根据我的自然语言提问自动生成并执行的，我完全无需关心查询细节。
以下是一些原始文档，Claude 从中提取信息并转换成了图谱元素。
知识图谱可视化
此方法的一个强大之处在于 Claude 能够创建图结构的可视化效果。通过我们的对话，Claude 生成并执行了代码来可视化：
1. 显示节点类型和关系的结构模式图。
2. 年级-科目-考试关系的图表示。
3. 显示各科目主题/内容数量的柱状图。
全程无需代码的 MCP 方法的核心优势
完成这个项目后，我发现将 Claude 与 MCP 结合用于 Neo4j 具有以下几个显著优势：
1. 易用性：图数据库操作对非开发人员更加友好，无需编程基础即可上手。 2. 速度：构建复杂数据库的速度显著加快。 3. 自然语言接口：可以使用日常语言查询数据库。 4. 自动化文档：Claude 自动为数据库结构生成文档。 5. 内置可视化：无需额外工具即可获得有用的可视化效果。 6. 敏捷迭代：通过对话即可轻松修改和扩展数据库。
局限性与注意事项
尽管此方法功能强大，但也存在一些值得注意的局限性：
1. 复杂查询：复杂的查询模式可能仍需要手动优化才能获得最佳性能。 2. 安全性：需要注意 MCP 配置中数据库凭据的安全问题。 3. 性能：对于大型数据库，专门的工具可能提供更好的性能。 4. 验证：始终需要验证大型语言模型 (LLM) 的操作，包括数据提取、数据创建、查询结果和生成的代码。作为你所在领域和用例的专家，最终结果的准确性和可靠性仍需你来把控并负责。
总结
Claude、MCP 和 Neo4j 的结合代表着图数据库技术走向民主化的重要一步。通过消除编码障碍，此方法为更广泛的受众开启了强大的知识图谱构建能力。
无论你是构建课程关系的教育工作者，还是绘制复杂网络的科研人员，抑或是可视化组织结构的业务分析师，这种对话驱动的方法都让图数据库比以往任何时候都更易于使用。
我期待看到这种方法的未来发展，以及通过 AI 辅助的对话驱动开发，能够进一步简化哪些复杂数据库任务。
