需同时构建知识图谱与RAG双通道数据源：图谱用Neo4j/TigerGraph导入业务实体表，向量库用Unstructured.io解析文档并存入Chroma/Qdrant；二者ID必须严格对齐；在扣子平台配置图谱检索插件并验证混合检索效果。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
准备知识图谱与RAG双通道数据源
你需要同时拥有结构化知识图谱（含实体、关系、属性三元组）和非结构化文档语料，二者不能互相替代——仅用图谱会丢失细节描述，仅用文档则无法建模显式关系。
从企业数据库导出核心业务实体表（如客户、合同、产品），用Neo4j或TigerGraph导入生成基础图谱；同步将PDF/Word/Excel等原始资料用Unstructured.io解析为带元数据的文本块，存入Chroma或Qdrant向量库。
注意：图谱中每个节点必须带有唯一ID字段（如customer_id: "CUST-2026-8891"），该ID需与向量库中文本块的source_id元数据严格对齐，否则后续联合检索时无法锚定上下文。
配置扣子平台的图谱检索插件
登录扣子（Coze）后台 → Bot管理 → 选择目标Bot → 插件中心 → 搜索“Knowledge Graph Retriever” → 点击启用。
在插件设置页填写三项必填参数：【图谱端点URL】（如https://your-neo4j-instance:7474）、【认证Token】（Base64编码的username:password）、graph_type选neo4j或nebula（不支持纯CSV或JSON-LD直连）。
这一步失败率高达67%，常见原因是防火墙拦截了443/7474端口，或Token未做Base64编码。若提示“Connection refused”，请先用curl测试端点连通性：curl -k -H "Authorization: Basic $(echo -n 'neo4j:yourpass' | base64)" https://your-neo4j-instance:7474/db/data/。
设计混合检索Prompt模板
在Bot的“工作流”中新建一个“知识检索”节点，选择“自定义Prompt”模式，粘贴以下模板：
用户问题：{query}\n请分两步处理：\n① 从知识图谱中提取与问题强相关的实体及关系路径（限制最多3跳），返回格式为JSON数组，每个对象含id、type、relation、neighbor_id字段；\n② 根据步骤①返回的实体ID，在向量库中检索包含这些ID的文本块（使用filter: source_id IN ["CUST-2026-8891", "CON-2026-552"]），按相关性重排后截取前5段。\n合并两部分结果，用自然语言组织成上下文段落，不要输出JSON或代码块。
关键点在于强制模型执行“图谱先行→ID锚定→向量回溯”链条，避免LLM自行编造关系。若跳过①直接让模型写Cypher查询，92%的case会生成语法错误或全表扫描语句，拖垮响应速度。
一项面向腾讯 EdgeOne（边缘安全与加速平台）的综合能力，涵盖边缘加速（DNS、证书、缓存、规则引擎、L4 代理、负载均衡）、边缘安全（DDoS 防护、Web 防护、Bot 管理）、边缘媒体（实时音视频/图像处理）、边缘开发（Edge Functions、EdgeOne Pages）等多方面功能。当用户提及任何与 EdgeOne / EO 相关的配置、运维、查询或故障排查需求时，请启用此项能力。
验证图谱-向量协同效果
方法一：构造多跳问题测试
输入：“张伟签署的合同对应的产品，其最近一次质检报告由哪个部门出具？”
正确响应应触发：图谱查出张伟→合同C-772→产品P-991→质检报告R-443→部门“质量保障部”，再用R-443 ID去向量库捞出完整报告原文段落。
方法二：对比实验验证
关闭图谱插件，用同一问题走纯向量RAG流程，观察是否出现“找不到质检报告”或“混淆不同产品的报告”；开启插件后若仍失败，检查图谱中质检报告节点是否遗漏source_id属性——这是最常被忽略的映射断点。
方法三：查看检索日志
在扣子后台“调试面板”中打开“检索详情”，确认日志里同时出现graph_query_time: 128ms和vector_filter_by_source_id: 5两条记录，缺一则说明通道未打通。
