用途：GraphRAG Patterns 面向需要多跳推理、实体关系查询、合规审计追踪和主题摘要的场景，把知识图谱与向量检索结合。资料指出简单问答用向量 RAG 即可，GraphRAG 属过度设计；事实查找两者皆可；多跳推理、X 与 Y 的关系、实体关系、审计追踪、主题摘要则适合 GraphRAG。
主要能力与模式：一、实体抽取建知识图谱，用 LLM 从文本抽取实体与关系，再写入 Neo4j。二、图增强检索，用 LlamaIndex 的 PropertyGraphIndex 与 Neo4jPropertyGraphStore 自动抽取实体关系并检索。三、Text-to-Cypher，用 LangChain 的 Neo4jGraph 与 GraphCypherQAChain 把自然语言转为 Cypher，可开启 validate_cypher 校验。四、混合向量加图检索，先向量相似搜索，再从查询实体做图遍历，合并上下文。五、微软 GraphRAG，用社区检测（如 leiden）做全局摘要，支持 LocalSearch 与 GlobalSearch。
使用方式：资料给出 Python 代码示例，涉及 langchain_openai、langchain_core、neo4j、llama_index、langchain_community、graphrag 等库；连接 Neo4j 常用 bolt://localhost:7687。具体安装命令与版本要求暂未提供。
适用场景：从零构建自定义 schema、快速接入 LlamaIndex 生态、已有图做复杂查询、需要语义加结构、大语料摘要。
限制与注意：资料提醒避免过度抽取导致图噪声、实体无关系无用、schema 漂移破坏查询、纯图检索在实体缺失时无回退；建议先定义 schema、从 2 至 3 类实体起步、校验 Cypher、缓存图查询、结合向量、测试 2 至 3 跳查询。工具涉及 Neo4j、LlamaIndex PropertyGraphIndex、微软 GraphRAG、Amazon Neptune、LangChain GraphCypherQAChain。收费、价格与平台支持情况暂未提供。