AI Engineer
通过构建实体间的关联映射,GraphRAG 能够为智能体提供多跳推理证据链,从而有效解决传统向量检索在处理复杂上下文时导致的黑盒幻觉。
AI-assisted summary of RAG Needs a Map: Using GraphRAG to Retrieve Connected Context — Nyah Macklin, Neo4j — original source. Check the original for full context.
Source published:
Key ideas
- 纯向量检索在面对需要跨越 3 跳(hops)及以上的关联推理或全局聚合时召回率骤降,而 GraphRAG 通过图遍历提供了确定性的结构化上下文与可解释性。 (11:45)
- 在企业级严监管场景(如金融、医疗)中,不可追溯的纯黑盒模型易引发灾难性后果,知识图谱结合智能体记忆能完整复原决策推理链条。 (10:38)
- 构建知识图谱时引入预定义的严格模式(Schema),包括固定节点类型与三元组关系走向,可有效遏制大语言模型在提取实体与关系时的幻觉倾向。 (47:26)
- 在 Neo4j Aura 中整合向量索引与关联 Cypher 查询,使智能体能够在接收到向量相似度命中结果后向外扩散遍历,返回具备语义连结的子图上下文。 (42:22)
Detailed notes
## Background 本内容由 AI Engineer 频道于 2026 年 10 月 11 日在 YouTube 平台发布。视频记录了 Neo4j 高级软件工程师兼高级开发者布道师 Nyah Macklin 主持的动手实操工作坊,讲解如何结合向量搜索与 Neo4j 知识图谱构建 GraphRAG 检索链路,从而为大语言模型智能体提供具备多跳推理、全局聚合以及可解释路径的关联上下文。
## TL;DR 工作坊通过对比纯向量表征与知识图谱的底层差异,阐明了多跳推理与强监管场景下 GraphRAG 在准确度与可解释性上的核心优势。随后,Macklin 带领学员利用 GitHub Codespaces 和 Neo4j Aura 云数据库,运行基于大语言模型的知识图谱构建管道,将非结构化课件抽取为带模式约束的实体节点与关系三元组。最后,她在 Aura 控制台配置了向量索引与挂载关联图查询的检索工具,成功构建并测试了具备自然语言转 Cypher 及上下文溯源能力的 GraphRAG 智能体。
## Atmosphere & style 整场工作坊节奏明快且极具互动性,主讲人 Nyah Macklin 风格风趣幽默,用“金毛寻回犬”和“氛围银行业务”等生动比喻化解了图算法与底层架构的枯燥感。现场有多位 Neo4j 助教实时巡场答疑,配合“边讲边敲代码”的动手演练,营造出一种开放求知、扎实落地的技术黑客松氛围。
## Bulletin - [11:45](https://www.youtube.com/watch?v=LJ2a9nX3vlo&t=705s) 纯向量检索在面对需要跨越 3 跳(hops)及以上的关联推理或全局聚合时召回率骤降,而 GraphRAG 通过图遍历提供了确定性的结构化上下文与可解释性。 - [10:38](https://www.youtube.com/watch?v=LJ2a9nX3vlo&t=638s) 在企业级严监管场景(如金融、医疗)中,不可追溯的纯黑盒模型易引发灾难性后果,知识图谱结合智能体记忆能完整复原决策推理链条。 - [47:26](https://www.youtube.com/watch?v=LJ2a9nX3vlo&t=2846s) 构建知识图谱时引入预定义的严格模式(Schema),包括固定节点类型与三元组关系走向,可有效遏制大语言模型在提取实体与关系时的幻觉倾向。 - [42:22](https://www.youtube.com/watch?v=LJ2a9nX3vlo&t=2542s) 在 Neo4j Aura 中整合向量索引与关联 Cypher 查询,使智能体能够在接收到向量相似度命中结果后向外扩散遍历,返回具备语义连结的子图上下文。
## Key takeaways - [07:07](https://www.youtube.com/watch?v=LJ2a9nX3vlo&t=427s) 纯向量嵌入将知识转化为人类无法解读的高维浮点数列表,而知识图谱通过显式三元组实现了人机双重视角的高可读性与高可解释性。 - [09:13](https://www.youtube.com/watch?v=LJ2a9nX3vlo&t=553s) 关系型数据库处理多层网状依赖依赖开销巨大的连表(JOIN)操作,图数据库则直接将关系持久化为一等公民,支持以物理跳跃遍历实现高效低延迟查询。 - [10:38](https://www.youtube.com/watch?v=LJ2a9nX3vlo&t=638s) 严监管场景(如“氛围银行业务”或医疗合规)对模型调用的可追溯性有硬性要求,结合智能体记忆与图遍历可避免模型擅自决策且无从追责。 - [11:45](https://www.youtube.com/watch?v=LJ2a9nX3vlo&t=705s) GraphRAG 并非要淘汰向量搜索,两者是互补协作关系:简单事实查询由向量完成,多跳关联(3 次跳步以上)与信息拼接则依赖图谱支撑。 - [16:11](https://www.youtube.com/watch?v=LJ2a9nX3vlo&t=971s) 检索器(Retriever)充当了将非结构化自然语言输入转化为上下文的“寻回犬”,支持全文检索、向量相似度以及 Text-to-Cypher 等多种形式。 - [20:21](https://www.youtube.com/watch?v=LJ2a9nX3vlo&t=1221s) 利用大语言模型构建知识图谱的关键,在于通过结构化提示词约束模型以严格的 JSON 对象格式抽取节点与关系,随后解析落库。 - [31:42](https://www.youtube.com/watch?v=LJ2a9nX3vlo&t=1902s) 在 Neo4j Aura 控制台中启用智能体功能,需要管理员在组织层级显式开启 Generative AI assistance 和 Aura agent 两项特性开关。 - [36:51](https://www.youtube.com/watch?v=LJ2a9nX3vlo&t=2211s) 配置相似度搜索工具前必须在底层为文档块嵌入向量创建对应的向量索引(如基于 1536 维度的 text-embedding-3-small)。 - [42:22](https://www.youtube.com/watch?v=LJ2a9nX3vlo&t=2542s) GraphRAG 的核心在于检索时挂载关联 Cypher 查询,以命中文档块为锚点并结合得分向外提取相连的实体与概念子图。 - [44:29](https://www.youtube.com/watch?v=LJ2a9nX3vlo&t=2669s) 知识图谱天然具备处理全局聚合统计(如计算总课程数)的能力,并可通过图数据库控制台直接秒查验证实体总数,充当事实核验的透明“作弊码”。 - [47:26](https://www.youtube.com/watch?v=LJ2a9nX3vlo&t=2846s) 在文档处理管线中定义严格的 Schema(包括 Technology、Concept 等节点及 RELATED_TO、PART_OF 等边模式),能有效防止大模型在图谱抽取中自造概念。 - [51:08](https://www.youtube.com/watch?v=LJ2a9nX3vlo&t=3068s) 企业级 GenAI 落地 GraphRAG 的核心价值在于三大支柱:更高的问答准确率、更平滑的开发流,以及对业务端清晰可见的决策解释性。
## Detailed walkthrough ### [00:13](https://www.youtube.com/watch?v=LJ2a9nX3vlo&t=13s) 现场调查与工作坊背景介绍
演讲者 Nyah Macklin(Neo4j 高级软件工程师兼高级开发者布道师)开场向与会者致意,并宣布本次工作坊的主题为《RAG Needs a Map: Using GraphRAG to Retrieve Connected Context》(RAG 需要一张地图:利用 GraphRAG 检索关联上下文)。在正式切入技术内容前,Macklin 对现场观众做了一个简短的背景调查,询问有多少人已经在生产管线中使用了常规的向量检索增强生成(vector-based RAG)。现场举手的人相当多。紧接着,当她问及是否有团队已经在管线中落地基于知识图谱的 GraphRAG 时,举手的人寥寥无几;而面对“在座有谁能真正解释清楚什么是 GraphRAG”这一追问时,台下更是面露难色,大家大多处于“好像懂一点又说不清楚”的状态。
Macklin 随即明确了本次工作坊的定位:这是一场面向新接触者的 **GraphRAG 101 入门实践工作坊**。对于资深专家而言,内容可能属于对齐基础认知的温故知新,但对于绝大多数希望打破 AI 黑盒机制的开发者,工作坊将从最底层的逻辑梳理起。Macklin 介绍了自己的研发背景:她在图论、图算法以及上下文工程(context engineering)领域深耕了大约十年,长期专注于探寻哪种系统架构最能“打破黑盒现象,从而能够破译、追踪并解释人工智能系统是如何运作的”。此外,她把大量精力投入到 AI 治理与安全(AI governance and safety)议题上,指出系统架构的选择直接决定了智能体决策的可追溯性与安全性。
为了保障现场实战的顺畅,Macklin 介绍了现场提供支持的三位 Neo4j 团队同事: - **Jeremy Adams Castanas**:在台前负责随时解答观众的技术提问。 - **Ryan Knight**:在会场穿梭,协助参会者解决环境配置问题。 - **Zach**:Neo4j 团队杰出的 AI 研究工程师(也是前一场演讲的主讲人),在后排协助排查复杂问题。
观众在操作遇到阻碍时只需举手,助教团队便会直接前往参会者的工位提供一对一指导。
---
[03:07](https://www.youtube.com/watch?v=LJ2a9nX3vlo&t=187s) 学习环境与基础资源配置:GraphAcademy 与 Neo4j Aura
工作坊的上手演练依托于 Neo4j 官方的在线学习平台 **GraphAcademy**。Macklin 强调,GraphAcademy 是一个完全永久免费的在线学习平台,涵盖了从智能体构建、智能体记忆(agentic memory)到上下文图(context graphs)等一系列前沿主题。与传统的单向讲授式课程不同,GraphAcademy 所有的课程都是“双手放在键盘上直接边学边写代码(hands-on keyboard start building)”的强实战模式。
Macklin 指引大家访问 `graphacademy.neo4j.com` 注册账号,并打开统一的学习资源文档 `dev.neo4j.com/workshop-genai-notes`。除了注册学习账号,参会者还需要在 Neo4j 的全托管云服务 **Neo4j Aura** 上创建一个数据库实例。Macklin 反复叮嘱大家务必选择免费套餐(Free Instance),切勿手误点击到付费的专业版(Professional Instance),因为今天所有的上手环节都可以完全在免费额度内跑通。该实例稍后将直接与云端平台集成的 **Aura Agents** 对接,用于构建内嵌在数据库平台上的智能体。
```mermaid flowchart TD accTitle: GraphRAG 工作坊环境准备链路 accDescr: 展示用户需要注册和配置的平台账号、云端数据库及免费 OpenAI API Key。
subgraph Setup ["环境与凭证准备"] GA["GraphAcademy 账号<br/>(免费学习平台)"] Aura["Neo4j Aura 实例<br/>(免费云数据库)"] API["专属 OpenAI API Key<br/>(Neo4j 官方临时提供)"] end
subgraph Target ["实操目标环境"] Agent["Aura Agents<br/>(智能体构建与测试环境)"] end
GA --> Target Aura --> Agent API --> Agent ```
为了让大家免于在繁琐的 API 申请与绑卡流程中耗费时间,Neo4j 团队在共享文档中为每位参会者提供了一个预设限额的专属 OpenAI API Key。Macklin 开玩笑地说:“我知道大家都喜欢免费的 API Key,别担心,我可没有把自己的私人 Key 泄露出来。”她提醒参会者尽快将该 Key 复制保存到本地,因为该凭证只提供给现场工作坊构建使用,并配置了调用限额以防被过度滥用。迟到的参会者也可以直接向巡场的 Jeremy 或 Ryan 索取包含所有链接的二维码。
---
[07:07](https://www.youtube.com/watch?v=LJ2a9nX3vlo&t=427s) 从向量表征到知识图谱:打破 AI 的黑盒困境
在参会者完成账号注册和实例初始化的间隙,Macklin 用一个极具视觉冲击力的“苹果”案例,拆解了纯向量表征与知识图谱表征在可解释性上的本质差异。面对当下生成式 AI 普遍存在的“黑盒问题”,其核心症结在于机器内部的数据与知识表征缺乏对人类透明的语义结构。Macklin 将人类视角、向量视角与知识图谱视角的苹果进行了横向对比:
| 视角维度 | 表征形式 | 特点与局限 | |:--- |:--- |:--- | | **人类自然认知** | 视觉图像(中央) | 直观、感性、富含现实物理世界的常识,但机器无法直接推理。 | | **纯向量视角 (Vector)** | 浮点数数列(右侧) | `[0.024, -0.891, 0.412,...]` 等高维向量。对机器检索极度高效,但对人类完全不可读,除非有人能死记硬背每个数字维度的意义;丢失了实体间的显式逻辑关系。 | | **知识图谱视角 (Graph)** | 实体节点与关系三元组(左侧) | 显式声明:`Apple` —(COMES_FROM)→ `Tree`、`Apple` —(HAS_SHAPE)→ `Round`、`Apple` —(IS_A)→ `Fruit`(明确区分水果与科技公司 Apple)。兼具机器可读性与人类可解释性。 |
Macklin 指出,现实世界中的任意物理对象或抽象概念,既可以被投射为高维空间中的嵌入向量,也可以被刻画在图谱结构中。纯向量依赖数学相似度(如余弦距离),但在处理歧义实体或需要层层追溯来源时往往无能为力。而知识图谱天然实现了人机认知的融合(fusion),它既让机器获得了结构化的语义逻辑,又让人类能够直接看懂每一步推演的线索。
---
[09:13](https://www.youtube.com/watch?v=LJ2a9nX3vlo&t=553s) 关系遍历 vs 关系表关联:速度、准确度与可追溯性
Macklin 进一步对比了传统关系型数据库(行与表结构)与图数据库在处理关联上下文时的底层差异。在传统关系型数据库中,如果数据以行列形式散落在多个表格里,想要找出一个实体与其他实体之间的多层网状依赖,就必须编写大量极其复杂的连表查询(`JOIN`)。Macklin 指出:“这通常会极大地拖慢我们应用程序的性能。”她幽默地调侃起旧金山湾区科技圈的风气:“我们大多数人都在应对旧金山那种‘快速行动,破除陈规’(move fast and break things)的心态,对吧?只要做个半成品能跑起来,就直接推到生产环境,之后出了问题再去打补丁。”
但在要求高准确度、低延迟与强合规性的 AI 智能体系统中,层层 `JOIN` 带来的性能瓶颈是无法接受的——“这是最慢的做法,我们可没有时间耗在那上面,对吧?我们必须跑得快、算得准,而且过程必须可解释(We have to move fast. We have to be accurate and we have to be explainable)。”
如果将同样的数据映射到知识图谱中,关联本身作为一等公民被直接持久化。实体变成了图上的节点(即界面中可见的圆圈),关联变成了有向边(节点之间的连线)。智能体无需在多张二维表之间执行开销巨大的关联计算,而是能够像走迷宫或看地图一样,“物理性地沿着一条关系边从一个节点直接跳转到下一个节点(physically hop right from one node... to the next node through this relationship)”,以 $O(1)$ 或局部的图遍历开销完成上下文追踪。这种“沿着指针跳跃”的机制不仅极大提升了检索效率,更让检索路径天然具备了完整的证据链和可追溯性。
[10:38](https://www.youtube.com/watch?v=LJ2a9nX3vlo&t=638s) 智能体记忆、可追溯性与监管严苛领域的“氛围银行业务”
在构建智能体系统时,能够沿知识图谱节点进行跳步遍历,结合智能体记忆(Agent Memory),是解释模型过去行为的一大质的飞跃。Nyah Macklin 提到,虽然这堂工作坊不会深入展开智能体记忆的具体实现机制(她在另一场独立演讲中专门拆解了该主题),但这种机制能够赋予智能体完整的记忆与上下文,清晰展现“它当初为何做出那样的决定”。
这种可解释性与可追溯性在强监管领域至关重要。Nyah Macklin 风趣地调侃道:“大家可都不想要什么‘氛围银行业务’(Vibe Banking)对吧?没人想碰那玩意儿。你绝不希望自己的智能体直接握有你的资金权限,然后莫名其妙把钱花个精光——我真的见过类似惨剧发生。”同样的逻辑也适用于医疗保健和法律合规等严肃领域。在这些场景中,推导轨迹的历史上下文与记忆不仅是加分项,更是绝对的刚需。一旦引入知识图谱结构,智能体生成可解释、可追踪且高度精准答案的潜力将被彻底释放,甚至可以说是无限广阔的。
- **监管场景风险**:金融资产被模型自由调用乱花、医疗建议缺乏溯源、法律条文引用无依据等问题,可通过图谱路径追溯加以规避。 - **可解释性机制**:通过在实体节点间“跳步”(hop),复原推理链路的每一步依据,取代纯黑盒判断。
---
[11:45](https://www.youtube.com/watch?v=LJ2a9nX3vlo&t=705s) 从传统 RAG 到 GraphRAG:架构演变与多跳推理边界
为了照顾参加 101 入门工作坊的学员,Nyah 详细对比了通用 RAG(检索增强生成)与 GraphRAG 的底层架构差异。在常规的文本向量 RAG 流程中,整个系统并不包含知识图谱:用户将几份 PDF 等文档切块(chunking),利用文本嵌入模型(text embedding model)生成向量索引;查询时,使用同款嵌入模型对用户 Query 进行编码,检索出 Top-K 个相似文本块,喂给大语言模型(LLM)拼接生成最终答复。这是行业普遍最熟悉的玩法。
```mermaid flowchart TD accTitle: RAG 与 GraphRAG 架构对比 accDescr: 展示传统 RAG 的纯向量检索路径与 GraphRAG 融合知识图谱多跳检索路径的区别
subgraph TraditionalRAG ["传统向量 RAG 检索流程"] A["输入文档 (PDF)"] --> B["分块 (Chunking)"] B --> C["文本嵌入模型生成向量"] C --> D["向量数据存储"] D -->|"Top-K 相似度检索"| E["送入 LLM 整合"] end
subgraph GraphRAGPipeline ["GraphRAG 增强检索流程"] F["非结构化文本"] --> G["抽取实体与关系"] G --> H["知识图谱存储 (Neo4j)"] H -->|"多跳关联检索 / 结构化上下文"| E D -.->|"向量相似度初筛"| H end
E --> I["可解释、带溯源的最终回答"] ```
GraphRAG 的核心依然是 RAG,但关键不同在于检索路径中直接嵌套了知识图谱。针对什么时候该用向量 RAG、什么时候该上 GraphRAG 的经典疑问,Nyah 给出了一个简明扼要的判断基准:如果问题本身的复杂度只相当于在搜索引擎里敲个关键词查特定事实,单纯的向量 RAG 往往完全够用;然而,一旦查询需要“多跳推理”(multiple hops),特别是在节点之间跨越三跳及以上时,GraphRAG 就变成了不可或缺的神器。只有借助图结构,系统才能精准追踪智能体从哪一个节点跳向哪一个节点,进而厘清跨越分散文档的数据聚合或拼接。
Nyah Macklin 强调:“GraphRAG 本质上依然是 RAG,但它的检索路径实打实地纳入了知识图谱。”
- **多跳临界点**:需要跨越 3 次及以上关联跳步(hops)的查询,纯向量检索召回率与准确度急剧下滑。 - **GraphRAG 典型杀手级场景**:源代码结构依赖分析、复杂供应链追踪调度、跨多文档的信息汇总与数据拼接(aggregation/concatenation)。 - **两者的协同关系**:GraphRAG 并不打算彻底淘汰向量层,理想的架构是二者兼备、互补增效,而非非此即彼的二元对立。
---
[14:56](https://www.youtube.com/watch?v=LJ2a9nX3vlo&t=896s) 实操起步:登录 GraphAcademy 与跳过入门前置章节
讲明理论背景后,Nyah 带领现场与线上学员直接切入实操演练。她让大家打开浏览器访问 GraphAcademy 课程页面(`graphacademy.neo4j.com/courses/workshop-genai`)。由于这是一个专为动手设计的生成式 AI 工作坊,且现场多数开发者已经拥有基本的大模型认知,Nyah 提议直接跳过最前面的初级理论概念。
Nyah 坦言自己此前已经跑通并完成了整个课程,不过她现场演示了如何重置学习进度以和学员步调一致。她指着目录幽默地表示,诸如“什么是生成式 AI”这种基础常识大家早就烂熟于心,无需在此浪费时间,如果实在有初学者想补课也可以课后自行翻阅,但现场大家需要统一把网页向下滚动,直奔工作坊的核心——“GraphRAG”章节。
---
[16:11](https://www.youtube.com/watch?v=LJ2a9nX3vlo&t=971s) 拆解 Retriever:检索器与“金毛寻回犬”隐喻
进入 GraphRAG 界面后,Nyah 针对检索增强流程中的关键构件——检索器(Retriever)展开了讲解。在提问现场有多少人对 Retriever 有清晰概念时,举手的人数出乎她的意料,并不是特别多。于是,Nyah 决定用最接地气的形象比喻来重新建立直觉认知。
Nyah Macklin 笑着说道:“大家可以把检索器想象成金毛寻回犬(Golden Retriever),对吧?我们都知道金毛特别喜欢飞奔出去叼网球、叼各种丢出去的东西。检索器就是那只忠诚的金毛,专职帮你跑去抓取所有必需的信息。”在技术层面上,检索器负责接收非结构化的自然语言输入(比如用户在 Chatbot 里键入的 Prompt 或疑问句),随后深入外部结构化或半结构化数据源检索最相关的上下文,再返回给大语言模型作为答案生成的依托。
随后,Nyah 结合 Neo4j 的原生技术栈,罗列了系统当前支持的核心检索技术形式,并借用新闻机构聊天机器人的设计模式做剖析:
```mermaid flowchart LR accTitle: 新闻问答智能体数据源架构图 accDescr: 展示新闻 API、知识图谱与文档数据库在聊天机器人检索链路中的分工协作
User["用户提问"] --> Ret["综合检索器 (Retriever)"]
subgraph DataSources ["多模态外部数据源"] API["新闻 API\n(获取突发头条/最新资讯)"] KG["Neo4j 知识图谱\n(历史背景/实体与主题关联)"] DocDB["文档数据库\n(长篇报告/详实新闻文本)"] end
Ret <--> API Ret <--> KG Ret <--> DocDB
Ret --> LLM["大语言模型"] LLM --> Ans["最终结构化新闻回复"] ```
- **Neo4j 检索器支持类型**:全文搜索检索(Full-Text Search)、向量相似度检索(Vector Search)、Text-to-Cypher 图查询语句检索。 - **数据源协同模式**:新闻 API 捕获最新动态,文档数据库沉淀报道正文,而知识图谱则承载不同新闻事件、实体以及跨历史时期的深层逻辑网络,为智能体提供更丰富的多维上下文。
---
[18:42](https://www.youtube.com/watch?v=LJ2a9nX3vlo&t=1122s) 知识图谱基础与真实实体建模
在深入构建管线之前,Nyah 针对现场学员的基础情况做了摸底。她问大家此前是否亲自动手构建过知识图谱,台下只有稀稀落落的几只手举起,甚至有人小声表示只停留在打印“Hello World”的最初级认知。Nyah 热情地安抚大家:“这完全没问题!这正是我们今天齐聚一堂的原因,就是为了彻底搞懂它。”
她随即用身边最真实的场景做了解释:知识图谱本质上就是现实世界实体(Entities)及其关联关系(Relationships)的高度组织化载体。她指着自己和站在台下的同事 Jeremy 举例:如果她(Nyah)是一个节点圆圈,Jeremy 也是一个节点圆圈,那么他们之间就自然连着两条关系边——在工作上他们是“同事”(COLLEAGUE),在生活上他们是“朋友”(FRIEND)。再往外延伸,图谱中还可以继续连接他们的其他同事(如 Zach 和 Ryan)。这种由点和边勾勒出的网络,是数据在极简形态下最真实、最直观的投射。
Nyah Macklin 总结道:“知识图谱总体而言,就是一种对现实世界实体及其复杂关系的高度组织化表达。”
- **核心概念**: - **节点(Nodes)**:代表具象或抽象的主体(例如人、地点、课程、概念)。 - **关系(Relationships)**:有向且具备具体属性的连接边(例如同事、从属、引用)。 - **多重关系支持**:任意两点之间可同时并行存在多层不同的语义关系(例如既是朋友又是同事)。 - **实操推进**:讲解完毕后,Nyah 引导大家跳过泛化说明,将 GraphAcademy 页面切至“知识图谱构建”(Knowledge Graph Construction)章节,准备实操利用大语言模型从非结构化文本中全自动抽取实体与关系。
[20:21](https://www.youtube.com/watch?v=LJ2a9nX3vlo&t=1221s) 从非结构化文本构建知识图谱的流程与 Cypher 简介
Nyah Macklin 详细拆解了从原始文本到知识图谱的底层 pipeline:首先是对文本信息进行分块(chunking),接着生成向量嵌入(embeddings),随后利用大语言模型从各文本块中抽取实体(nodes)与关系(relationships),最终组装成图。她以维基百科上的 Neo4j 词条为例进行演示:先收集维基页面的全文,将其切分为文本块,并对每个文本块生成对应的 embedding。在抽取实体与关系时,虽然开发者完全可以手动标注,但 Nyah 指出大语言模型能极大节省抽取耗时。实际落地时,只需给 LLM 传入结构化提示词(prompt),例如:“你的任务是根据给定文本,识别出提示中所要求的实体与关系。你必须以 JSON 格式输出,包含一个由 JSON 对象组成的列表。”随后系统解析 LLM 返回的 JSON 数据,并将其转换为图结构。
```mermaid flowchart TD accTitle: 知识图谱构建流水线 accDescr: 展示从原始文本到分块、LLM抽取实体关系以及存入图数据库的流程
subgraph Ingestion["数据摄入与切分"] A["维基百科 / 原始文本"] --> B["文本切块 (Chunking)"] B --> C["生成向量嵌入 (Embeddings)"] end
subgraph LLMExtraction["大模型抽取"] B --> D["Prompt: 提取实体与关系"] D --> E["LLM 输出 JSON 对象列表"] end
subgraph GraphStorage["图生成与存储"] E --> F["解析 JSON 节点与关系"] C --> G[("Neo4j 图数据库")] F --> G end ```
在介绍图查询语言时,Nyah 现场提问台下观众有多少人接触过 Cypher。看到只有寥寥数人举手,她笑着互动,鼓励大家在稍后的环节积极回答问题,现场准备了丰厚的周边礼品,包括限定款 T 恤和袜子等外部无法获取的专属周边。她进一步通过一张生成图谱示例说明图数据库的关系表达:例如节点记录了“Neo4j 图数据库由 Neo4j 公司开发,基于 Java 实现”。她顺带分享了一个趣味冷知识:Neo4j 名字中的“Neo”致敬了电影《黑客帝国》(The Matrix)中的主角 Neo,而“4j”则代表“for Java”。
- **实体与关系抽取 Prompt 示例要求**:模型必须根据给定文本提取指定的实体与关系,且输出严格遵循包含 JSON 对象的列表格式。 - **专有图查询语言**:Cypher 是一种针对图结构深度优化的声明式查询语言。 - **Neo4j 命名由来**:Neo(《黑客帝国》男主角)+ 4j(for Java)。
---
[23:08](https://www.youtube.com/watch?v=LJ2a9nX3vlo&t=1388s) 实验环境准备:GitHub Codespaces 与 Aura 凭证配置
课程时间过半,协作者提示大家开始进入动手实操环节,引导学员点击左侧导航栏中的“graphrag for python”链接。该页面介绍了 Neo4j 官方开源的 `neo4j-graphrag-python` 包,专用于知识图谱的构建、检索及 Agent 流程开发。页面上同时提供了实验所需的所有凭据信息。Nyah 带领大家点击“Open in GitHub Codespaces”进入云端开发环境。在 Codespaces 启动期间,系统需要拉取容器镜像并构建目录树,Nyah 解释趁着编译间隙可以提前准备好环境变量配置文件。
由于网络延迟,Codespaces 初始化需要一定时间。Nyah 指导学员找到项目中的 `.env.example` 文件,复制一份重命名为 `.env`。学员需要在此填入 Neo4j 数据库与 OpenAI 的相关配置。Nyah 提到,最推荐的方式是在 Neo4j Aura 平台创建一个免费实例(Free instance),实例创建完成后会提供一个包含连接凭据的文本文件供下载保存。如果现场学员因时间或网络问题来不及新建 Aura 实例,协作者补充说明道:“别灰心,如果因为某些原因未能及时创建 Aura 实例,GraphAcademy 页面上也自带了一个内嵌的免费小型实例凭证可以直接使用。”不管采用哪种方案,核心是必须获得一个可用的 Neo4j 数据库连接。随后,Nyah 将个人的 Aura 数据库连接信息以及 OpenAI API Key 依次填入 `.env` 并保存。
---
[27:32](https://www.youtube.com/watch?v=LJ2a9nX3vlo&t=1652s) 环境连通性测试与运行知识图谱构建脚本
完成配置后,第一步是验证环境连通性。Nyah 打开 VS Code 终端,定位到 `test_environment.py` 脚本并运行。该脚本负责核验 Python 虚拟环境、Neo4j 数据库连接以及 OpenAI 密钥是否有效。终端很快打印出测试输出:“Ran 5 tests and it's positive. We're okay.”,确认 5 项测试全部通过。协作者提醒如果有人报错,务必确认自己真正创建了 `.env` 文件,而不是还在编辑 `.env.example` 模板。
随后,Nyah 带领大家展开目录 `workshop.genai`。该目录结构清晰地划分了不同的功能模块: - `data/`:存放未经处理的原始课程文本; - `solutions/`:包含最终参考代码; - `agent/`:Agent 逻辑配置; - `knowledge_graph_builder.py` 与 `knowledge_graph_structured_builder.py`:构建图谱的核心脚本。
Nyah 选择运行 `knowledge_graph_structured_builder.py`。该脚本读取数据源,调用模型抽取结构化图谱,并将节点与关系直接写入 Aura 实例。由于大模型解析与批量写入耗时较长,Nyah 在终端运行脚本后,切回 Neo4j Aura 的 Web 控制台监控写入状态。
---
[30:53](https://www.youtube.com/watch?v=LJ2a9nX3vlo&t=1853s) 在 Aura 控制台通过 Cypher 检查并可视化图谱
回到 Aura 实例的 Query 界面,Nyah 指出由于自己在课前做过预跑,数据库在重新运行构建脚本时会执行去重逻辑。为了向大家展示写入数据库的具体内容,Nyah 演示了如何通过原生 Cypher 语句查询全图节点与连线。在输入语法时她出现了一个小失误,随即在同伴提醒下修正为标准的路径查询语法:
```cypher MATCH p = ()-->() RETURN p ```
查询执行后,Aura 控制台渲染出了一张布满彩色节点与指向箭头的交互式关系图。Nyah 将视图放大,展示由原始课程数据抽取出的各种实体类别及其错综复杂的连线。她强调:“这不仅是一个可视化工具,更是一个具体的查询工具,一种可以直接查询底层数据的方式。”(“This is not just a visualization tool, but it's also specifically a query tool, a way that you can um query your data itself.”)现场学员的数据库正在实时写入,初始图谱规模会相对较小,但随着构建脚本持续执行,再次运行该 Cypher 语句便会看到图谱逐渐丰满膨胀。用户可以直接在界面上点击任意节点或连线,逐一检查其携带的属性键值对与源文本上下文。
[31:42](https://www.youtube.com/watch?v=LJ2a9nX3vlo&t=1902s) 在 Neo4j Aura 组织设置中启用 Agent 功能
当知识图谱在后台不断抽取并写入数据库时,运行简单的查询(例如查看所有节点和关系)便能直观看到知识图谱的生长过程。Nyah Macklin 提醒现场遇到问题的学员随时举手示意,现场会有 Neo4j 的同事前往协助调试。当数据逐步就绪后,下一步的核心任务是在 Neo4j Aura 控制台中创建专属的 AI Agent。
部分学员反映在控制台左侧没有看到“Agents”功能入口。针对这一情况,Nyah 演示了具体的开启步骤:用户需要进入 Neo4j 组织的全局管理界面(All Organizations),选择对应的组织并进入“Settings”(设置)。在设置页面中,有两个原本置灰的选项需要手动勾选开启:“Generative AI assistance”(生成式 AI 助手)以及“Aura agent”(Aura 智能体)。只有显式激活这两项生成式 AI 特性,控制台侧边栏才会出现 Agent 的构建模块。
开启权限后,用户即可返回具体的数据库实例,在“Query”查询模式下确认图数据已正确填充,随后进入左侧的“Agents”界面开始新建流程。
---
[33:36](https://www.youtube.com/watch?v=LJ2a9nX3vlo&t=2016s) 从零构建 GraphRAG Fundamentals Agent
进入 Agent 管理界面后,Nyah 演示了如何从零开始配置一个专用的智能体。系统通常会自动绑定当前用户最新创建的数据库实例。在基本信息配置环节,她将该智能体命名为“GraphRAG Fundamentals Agent”。
针对 Agent 的角色定位与职责,Nyah 在描述(Description)栏中写明:该 Agent 专门提供立足于特定 GraphAcademy 课程内容的 Neo4j GraphRAG 相关知识。随后,她配置了 Agent 的系统指令(Instruction),明确要求其在回答提问时必须严格基于课程资料,保证回答的真实可靠性。为了方便线下学员同步操作,她贴心地将编写好的描述和指令直接粘贴到共享的课堂笔记文档中,让大家可以直接复制套用。
在基础参数配置完成后,Nyah 提到:“And we're going to keep everything pretty much the same.” 即实例位置等参数保持默认内部网络(Internal)设置,这样可以免费使用内置的调用通道。
---
[36:51](https://www.youtube.com/watch?v=LJ2a9nX3vlo&t=2211s) 在 Cypher 查询窗口中创建向量索引
在点击最终创建 Agent 之前,系统需要配置核心检索工具——相似度搜索(Similarity Search)。然而,若数据库底层尚未建立对应的向量索引(Vector Index),配置向导会弹出提示,警告必须先具备向量索引才能启用该功能。
为了解决这一依赖,Nyah 带领大家查找创建向量索引的代码。在切换浏览器窗口和全屏模式的过程中,她打趣道:“I gotta love being in full screen mode. Come on, come on. I might just exit out full screen.” 退出全屏后,她从配套 Python 教程文档中找到了创建向量索引的 Cypher 示例脚本,并将其粘贴在共享笔记中。
关于在哪里执行这段 Cypher 语句,Nyah 现场询问了同事 Jeremy:“Jeremy, do you remember where oh where we put our vector index?” Jeremy 迅速回应道:“Yes. Right in as the Cypher query window.”(是的,直接放到 Cypher 查询窗口里执行即可)。
Nyah 随即向大家展示,需要暂时切出 Agent 创建向导,或者新建一个浏览器标签页打开 Aura Console 的 Query 交互界面。学员需要将创建向量索引的 Cypher 语句粘贴到查询窗口并点击运行。因为她在开课前已经提前跑过该脚本,控制台返回了索引已存在的提示;但对现场初次操作的学员来说,执行该命令后便能成功为文本块构建起向量索引。
```mermaid flowchart TD accTitle: 向量索引与 Agent 检索配置流程 accDescr: 展示从在 Cypher 窗口创建向量索引,到 Agent 配置相似度搜索与图检索查询的完整步骤。
subgraph AuraQuery["Aura 控制台: Cypher Query 窗口"] VIdx["执行 Cypher 脚本<br/>创建向量索引 (chunk embedding)"] end
subgraph AgentConfig["Aura 控制台: Agent 配置界面"] AgentInit["新建 Agent<br/>(命名/描述/系统提示词)"] AddTool["添加检索工具:<br/>相似度搜索 (Similarity Search)"] ToolParams["配置参数:<br/>• Index: chunk embedding<br/>• Model: text-embedding-3-small<br/>• Top K: 5"] GraphQuery["嵌入自定义 Cypher 查询<br/>(包含 nodes 与 score 返回关联子图)"] AgentReady["创建并上线 Agent<br/>(支持向量检索 + 图结构上下文)"] end
VIdx -->|提供底层索引| AddTool AgentInit --> AddTool AddTool --> ToolParams ToolParams --> GraphQuery GraphQuery --> AgentReady ```
---
[40:14](https://www.youtube.com/watch?v=LJ2a9nX3vlo&t=2414s) 配置课程内容相似度搜索工具
底层向量索引建立完毕后,Nyah 返回 Agent 配置界面,正式添加相似度搜索工具。她将该工具命名为“Search lesson content”(搜索课程内容),其主要目标是让 Agent 能够检索课程讲义与文本细节,使用户不必通读全套课程就能快速获得见解。工具的描述文本同样被同步到了课堂笔记中供大家复制。
在工具参数的具体映射上,需要设置以下几项关键配置: - **向量索引名称**:选择刚刚创建的 `chunk embedding` 索引。 - **返回候选数(Top K)**:设置为检索最相近的 5 个结果(Top 5)。 - **向量模型提供商与型号**:提供商选择 OpenAI,嵌入模型选用轻量高效的 `text-embedding-3-small`,其默认向量维度为 1536 维。
Nyah 强调,仅做文本向量检索并不是 GraphRAG 的精髓,最关键的是接下来的选项——返回关联的图数据(Returning connected graph data)。
---
[42:22](https://www.youtube.com/watch?v=LJ2a9nX3vlo&t=2542s) 挂载图谱上下文查询与 Agent 正式生成
在勾选返回关联图数据后,系统允许使用自然语言转换或直接指定 Cypher 查询。为了保证检索的精确度,Nyah 选择使用一段定制的 Cypher 检索语句。现场有学员询问界面是否有亮色模式以看清代码,Nyah 随即放大了屏幕字体以便大家看清语法细节。
她强调了这段 Cypher 语句的核心规则:“The point here is if you look at the Cypher query, we need that Cypher query to include nodes, you can see here nodes and then scores as well, so nodes and then scores or similarity.” 也就是说,该查询在接收到向量检索初步命中的节点与相似度得分后,会以此为锚点沿着关系边向外遍历,提取出相连的实体与概念节点,从而将零散的文本块升级为富有语义关联的子图上下文。
完成 Cypher 语句的粘贴与工具挂载后,该 Agent 已同时具备了课程文本相似度搜索以及自然语言转 Cypher(Natural Language to Cypher)的混合检索能力。Nyah 点击“Create Agent”,GraphRAG Fundamentals Agent 成功创建。她向学员说明,随着知识图谱构建管道在后台抽取更多数据,随时可以点击“Update Agent”刷新图谱认知,随后大家便可以打开内置的 Chat 聊天窗口,开始向 Agent 提问并检验其 GraphRAG 的问答效果。
[44:29](https://www.youtube.com/watch?v=LJ2a9nX3vlo&t=2669s) 智能体实测:回答温度参数与课程元数据验证
Nyah Macklin 开始对配置好的 Neo4j Aura 智能体进行交互测试。她向智能体提出了一个课程内容相关的问题:“Temperature 是如何影响 LLM 的?”智能体立刻调取 Neo4j 知识图谱中的关联信息进行回答,给出的定义清晰准确:Temperature 是一个控制生成文本随机性程度的参数,设置更高的值会增加发散性,设置更低的值则更趋于确定性,同时界面还明确列出了该回答在 GraphAcademy 课程中引用的具体信息源与出处。Jeremy 补充了一个有趣的背景细节:参与者如果翻看该项目的 `data` 目录,会发现所有的 PDF 课件其实都提取自 GraphAcademy 的《Intro to GenAI》课程;换句话说,他们是在 GraphAcademy 平台里构建了一个用 GraphAcademy 课程内容训练出的智能体,整个闭环十分具有元属性(meta)。
随后,Nyah 演示了传统向量 RAG 经常“翻车”但知识图谱擅长解决的聚合统计查询(Aggregation & Concatenation)。她向智能体提问:“这门课程一共有多少节课(lessons)?”智能体初次计算后返回了 30 节课。Nyah 解释说,课程实际只有 15 节课,之所以返回 30,是因为她在准备过程中重复运行了一次知识图谱构建脚本(Knowledge Graph Builder),导致节点被重复创建。为了核实真实状态,Jeremy 提醒可以直接点击左侧界面上的 `Lesson` 节点类型查看总数,Nyah 切回 Neo4j Aura 数据库的图浏览控制台,通过侧边栏和直接查询确认底层知识图谱中确实记录着 15 节课程节点,体现出图数据库具备清晰可审计、透明且便于验证的“作弊码”(Cheat Code)优势。
- 智能体回答 Temperature 核心概念:调控 LLM 文本生成的随机性(Higher vs. Lower Temperature),并附带对应课程章节来源链接。 - 知识图谱相比纯向量 RAG 的关键提升:天然支持全局聚合查询(如计算课程总数、统计特定类型节点数量)。 - 数据库底层验证机制:通过 Aura 操作界面的节点类型标签可一键秒查实体总数(真实课程数为 15 节)。
---
[47:26](https://www.youtube.com/watch?v=LJ2a9nX3vlo&t=2846s) 知识图谱构建代码剖析:实体抽取、关系模式与约束
在完成端到端的效果演示后,应现场观众的要求,Jeremy 和 Nyah 打开了 `knowledge_graph_structured_builder.py` 脚本,逐行拆解将非结构化课件转化为图谱的代码逻辑。Nyah 在编辑器中折叠左侧文件树并开启自动换行,展示了核心依赖组件的导入,包括 `OpenAI LLM`、`OpenAIEmbeddings`、`SimpleKGPipeline`(简单知识图谱管道)、`FixedSizeSplitter` 以及用于直连图数据库的 `neo4j` 官方驱动程序(Neo4j Driver)。
```mermaid flowchart TD accTitle: 结构化知识图谱构建管道流程图 accDescr: 展示从原始文档切分到 Schema 约束提取并写入图数据库的流程
subgraph INGEST["数据切片处理"] A["课程原始数据<br/>(PDF / CSV)"] --> B["FixedSizeSplitter<br/>(Chunk: 500 / Overlap)"] end
subgraph SCHEMA["严格模式约束 (Schema)"] C["预定义节点类型<br/>Technology, Concept, Example..."] D["预定义关系类型<br/>RELATED_TO, PART_OF, USED_IN..."] E["节点三元组模式<br/>(Technology)-[RELATED_TO]->(Technology)"] end
subgraph PIPELINE["图谱构建管道 (SimpleKGPipeline)"] B --> F["OpenAI LLM & Embeddings"] C -. 引导提取.-> F D -. 引导提取.-> F E -. 引导提取.-> F F --> G["Neo4j 驱动<br/>(Neo4j Driver)"] end
G --> H["Neo4j Aura 知识图谱<br/>(GraphRAG 检索层)"] ```
Nyah 重点解析了代码中用于约束大语言模型输出的 Schema(模式架构)配置。文本被固定分块器切分为大小为 500 的文本块,并设置了重叠窗口(Chunk Overlap)以防语义在切分边界丢失。为了防止模型胡乱发明概念,脚本明确设定了预期的节点类型(Node Types,即图中的圆圈)与关系类型(Relationship Types): 1. **实体节点类型**:包含 `Technology`(技术)、`Concept`(概念)、`Example`(案例)、`Process`(流程)、`Challenge`(挑战)和 `Benefit`(优势)。 2. **关系类型**:包括 `RELATED_TO`(关联于)、`PART_OF`(属于……的一部分)、`USED_IN`(应用于)等。 3. **关系模式(Patterns)**:严格定义三元组关系走向,例如 `(Technology)-[RELATED_TO]->(Technology)` 或 `(Example)-[USED_IN]->(Technology)`。
Jeremy 对这一设计评价道:“大多数人在实际业务中会面对成堆的企业文档。你可以先让大语言模型帮你探索并制定出合适的 Schema,但一旦确定下来,利用这个 Schema 就能牢牢约束大语言模型,让它不会自己瞎编新的节点和关系类型,而是严格遵守既定结构。”脚本最后读取 `data` 目录下的 CSV 文件与 PDF 文档,解析文本并推入由驱动支撑的构建管道,最终在 Neo4j Aura 中形成了结构化知识图谱。
---
[51:08](https://www.youtube.com/watch?v=LJ2a9nX3vlo&t=3068s) 总结与后续资源:GraphRAG 价值、培训课程与社区活动
在工作坊的尾声,Nyah 快速总结了采用 GraphRAG 构建现代 GenAI 应用的核心价值三要素:更高的准确率(Higher Accuracy)、更平滑便捷的开发体验(Easier Development),以及至关重要的结果可解释性(Explainability)。她强调,企业级智能体不应只是提供不可靠的概率性回答,而应展示实体之间的清晰关联路径,让业务人员看到决策背后的原因。
针对希望深入学习图技术与检索增强生成的开发者,Nyah 推荐了官方的在线自学平台 GraphAcademy,该平台提供全套免费且带有动手实验环境的课程,涵盖 Cypher 语言基础(Cypher Fundamentals)到如何构建企业级知识图谱与上下文图谱(Context Graphs)。最后,Nyah 和 Jeremy 宣布了接下来的线下交流活动:Neo4j 团队将于本周在旧金山的 Digital Garage 举办线下 Meetup(时间为下午 5 点至 8 点),届时 Neo4j 创始人兼首席执行官 Emil Eifrem 以及工程技术团队(包括 Jeremy、Zach 与 Nyah 本人)都将到场,与开发者共同探讨业务场景中上下文图谱的设计。工作坊在热烈的掌声中顺利结束。
- 核心优势复盘:高精准度、敏捷开发流、全链路推理过程透明可溯源。 - 学习平台:GraphAcademy(全免费、提供 Cypher 及 GenAI 动手实验实训环境)。 - 社区活动与展台:旧金山 Digital Garage 线下见面会,以及 AI Engineer 大会现场 P3 展位(紧邻微软展台)。
## Notable quotes > [09:13](https://www.youtube.com/watch?v=LJ2a9nX3vlo&t=553s) We have to move fast. We have to be accurate and we have to be explainable. — Nyah Macklin
> [47:26](https://www.youtube.com/watch?v=LJ2a9nX3vlo&t=2846s) 大多数人在实际业务中会面对成堆的企业文档。你可以先让大语言模型帮你探索并制定出合适的 Schema,但一旦确定下来,利用这个 Schema 就能牢牢约束大语言模型,让它不会自己瞎编新的节点和关系类型,而是严格遵守既定结构。 — Jeremy Adams Castanas
> [30:53](https://www.youtube.com/watch?v=LJ2a9nX3vlo&t=1853s) This is not just a visualization tool, but it's also specifically a query tool, a way that you can um query your data itself. — Nyah Macklin
> [18:42](https://www.youtube.com/watch?v=LJ2a9nX3vlo&t=1122s) 知识图谱总体而言,就是一种对现实世界实体及其复杂关系的高度组织化表达。 — Nyah Macklin
## Mentioned Nyah Macklin, Jeremy Adams Castanas, Ryan Knight, Zach, Emil Eifrem, Neo4j, Neo4j Aura, GraphAcademy, OpenAI, GitHub Codespaces, GraphRAG, Cypher, Python, The Matrix, Digital Garage, AI Engineer
## Video description An agent answering questions about a course needs more than the five chunks closest to a query. It also needs the connections between lessons, concepts, and the sources behind its answer. Nyah Macklin builds that retrieval path with Neo4j, combining vector search with a knowledge graph that people can inspect and query. The workshop starts with the difference between semantic similarity and relationships, then walks through GraphAcademy, an Aura database, and a Python environment. An LLM extracts entities and relationships from course material, embeddings support similarity search, and Cypher exposes the resulting structure. Vectors remain part of the system; the graph adds connected context and a way to answer questions that require traversal or aggregation.
The hands on build moves from a knowledge graph pipeline to an agent in Aura. Macklin creates a vector index, configures a lesson search tool, adds a retrieval query that returns related graph data, and enables natural language questions through text to Cypher. The agent answers a question about temperature using course content and displays its sources. A lesson count prompts a closer check of the underlying database query, showing why visible evidence matters even after the pipeline works. The final code walkthrough covers chunking, entity types, relationship types, and a schema that guides extraction rather than leaving the model to invent the graph's structure.
Speaker info: - https://x.com/nyahmacklindev - https://www.linkedin.com/in/nyahmacklin - https://graphacademy.neo4j.com/courses/workshop-genai - https://github.com/neo4j/neo4j-graphrag-python
Timestamps: 0:00 - Workshop introduction 3:07 - GraphAcademy and workshop setup 5:18 - Create an Aura database 7:07 - Vectors and graph context 9:13 - Relationships and explainability 11:38 - From RAG to GraphRAG 13:00 - When connected retrieval helps 16:11 - Retriever types and architecture 18:42 - Knowledge graph fundamentals 20:18 - Extract entities and relationships 23:08 - Python package and Codespace setup 27:32 - Test the environment 28:40 - Run the knowledge graph builder 30:53 - Inspect nodes and relationships 32:16 - Enable and create an Aura agent 36:51 - Create the vector index 40:14 - Configure lesson similarity search 42:22 - Return connected graph data 44:12 - Test the agent and inspect sources 45:48 - Check a lesson count against the graph 47:55 - Walk through the pipeline code 51:07 - Further learning and wrap up
---
Watch along with the corrected transcript, summary, timestamps and resources on this talk's official AIE page: https://ai.engineer/talks/LJ2a9nX3vlo-youtube-cf62a92c82ed1de99233
Join our upcoming AI Engineer conferences (see https://ai.engineer landing page):
- AIEi Shanghai, November 5–6 — the first for meeting top Chinese labs and engineers - AIE CODE in SF, November 10–12 — the top AI Coding conference returns - AIEi Sydney, December 7–8 — the first AIEi run alongside NeurIPS 2026 in Sydney
---
[Source](https://www.youtube.com/watch?v=LJ2a9nX3vlo)