Neo4j-GraphRAG 튜토리얼 🚀

이 프로젝트는 Neo4j 그래프 데이터베이스와 **LLM (LangChain, OpenAI, Google Gemini)**을 결합하여 GraphRAG(Graph Retrieval-Augmented Generation) 시스템을 단계별로 구축하고 실습하기 위한 노트북(코드) 모음입니다.

기본적인 Neo4j 환경 설정 및 Cypher 쿼리 작성법부터, Text2Cypher(자연어를 쿼리로 변환), 그리고 최종적으로 비정형 텍스트(뉴스 기사)를 분석해 스스로 지식 그래프(Knowledge Graph)를 구축하는 고급 실습까지 포함되어 있습니다.

---

📁 주요 내용 (Contents)

Part 1: Neo4j 기본 지식 및 영화(Movie) 데이터 활용 실습 🎬

이 파트에서는 이미 정형화된 영화 관련 데이터를 통해 그래프 데이터베이스의 기본기를 다집니다.

• KG_P1_01_neo4j_Introduction.ipynb: Neo4j 소개, 기본 개념 및 환경 설정
• KG_P1_02_neo4j_cypher_advanced.ipynb: 데이터 조작 및 고급 Cypher 쿼리 작성법
• 검색 및 AI 애플리케이션 연동:
  • 03_neo4j_movie_01_csv.ipynb: CSV 파일을 Neo4j로 데이터 임포트
  • 03_neo4j_movie_02_basic_search.ipynb: 노드/관계 기반 기본 검색 로직
  • 03_neo4j_movie_03_full-text_search.ipynb: 전문 검색(Full-text search) 인덱스 활용
  • 03_neo4j_movie_04_vector_search.ipynb: Vector DB로서의 Neo4j를 활용한 임베딩 유사도 검색
  • 03_neo4j_movie_05_text2cypher.ipynb: LLM을 이용해 사용자의 자연어 질문을 직접 Cypher 쿼리로 변환 (Text-to-Cypher)
  • 03_neo4j_movie_06_graphRAG.ipynb: 그래프 검색과 벡터 검색을 융합한 GraphRAG 최종 구현

Part 2: LLM을 활용한 지식 그래프 추론 및 구축 실습 📰

이 파트에서는 비정형 데이터에서 유의미한 정보를 뽑아내 데이터베이스를 구축하는 방법을 배웁니다.

• KG_P2_01_news_analysis.ipynb: 비정형 텍스트(뉴스 기사) 데이터에서 LLM (LangChain LLMGraphTransformer)을 활용하여 자체적으로 주체(Entity)와 관계(Relationship)를 추출하고 Neo4j 데스크탑에 지식 그래프를 새롭게 구성하는 실습

---

🛠 필수 조건 및 환경 설정 (Setup)

1. 의존성 (패키지) 설치

이 프로젝트는 Python 3.12 이상의 환경이 필요하며, 패키지 및 가상환경 관리는 빠르고 현대적인 uv 를 통해 이루어집니다.

# 빠른 의존성 설치 및 가상환경(.venv) 자동 구성
uv sync

참고: 기존 pip 환경 사용자도 uv pip install -r pyproject.toml 명령어로 호환 가능합니다.

2. 환경 변수 설정 (.env)

프로젝트 루트 경로에 있는 env.sample 파일의 이름을 .env로 변경하거나 새로 생성한 뒤, 아래와 같이 API 키 및 접속 정보를 입력해주세요.

OPENAI_API_KEY=sk-본인의_오픈AI_키입력
GOOGLE_API_KEY=AIzaSy_본인의_구글API_키입력

# 연결할 Neo4j 정보 작성 (로컬 데스크탑의 경우)
NEO4J_URI=bolt://localhost:7687
NEO4J_USERNAME=neo4j
NEO4J_PASSWORD=본인비밀번호
NEO4J_DATABASE=neo4j

---

💻 주요 기술 스택 (Tech Stack)

• Database: Neo4j (Local Desktop 또는 AuraDB)
• LLM / AI: OpenAI (gpt-4o), Google GenAI, LangChain
• Language: Python 3.12
• Environment: Jupyter Notebook (VSCode)