# neo4j-graphrag-skill

Скилл помогает собрать GraphRAG-пайплайн на Neo4j через пакет neo4j-graphrag: выбрать ретривер, написать Cypher-фрагмент и подключить LLM.

- скилл · `type=skill` · Claude Code, Codex, Cursor, GitHub Copilot, Gemini CLI, OpenCode · 1100 установок · ★ 116
- Автор: neo4j-contrib
- Лицензия: MIT · policy=mirror · лицензия открытая, файл — в исходнике
- Исходник: https://github.com/neo4j-contrib/neo4j-skills/tree/HEAD/neo4j-graphrag-skill/SKILL.md
- Обновлён: 2026-10-21
- HTML: https://affpapa.org/nevibecode/skills/neo4j-graphrag-skill

## Что делает

Скилл ведёт агента по сборке поисковых пайплайнов на Neo4j с пакетом `neo4j-graphrag` версии 1.22.0 и выше. Внутри — таблица выбора ретривера: `VectorRetriever` для базового семантического поиска, `HybridRetriever` когда есть fulltext-индекс, `VectorCypherRetriever` и `HybridCypherRetriever` для обхода графа после векторного поиска, `Text2CypherRetriever` для запросов на естественном языке без эмбеддера и `ToolsRetriever` для маршрутизации между несколькими ретриверами силами LLM. Отдельно разобраны ретриверы с внешними векторными базами: Weaviate, Pinecone, Qdrant.

Дальше скилл показывает, как связать ретривер с LLM в пайплайн `GraphRAG`, как писать фрагмент `retrieval_query` с обязательным `RETURN` и переменной `score`, как создавать векторный и fulltext-индексы и ждать состояния `ONLINE` перед загрузкой данных. Провайдеры LLM перечислены все: OpenAI, Anthropic, Gemini/VertexAI, Bedrock, Cohere, Mistral, Ollama. Есть интеграция с LangChain и LlamaIndex, учёт расхода токенов и работа с клаузой `SEARCH` из Cypher 25.

Заранее понадобится Python 3.10 или новее и драйвер `neo4j` от 5.17.0. Пакет ставится с extras под нужного провайдера, например `pip install neo4j-graphrag[openai]`, а ключ API берётся из переменной окружения. Конструирование графа знаний, обычный векторный поиск, алгоритмы GDS и долговременная память агента сюда не входят — под них в том же репозитории есть отдельные скиллы, и это повод не тащить лишнее в один запрос.

## Установка

### Claude Code (родная платформа)

1. **Через Skills CLI (Vercel)**
```bash
npx skills add neo4j-contrib/neo4j-skills --skill neo4j-graphrag-skill -a claude-code
```

2. **Вручную: положить файлы**
- Файл: `~/.claude/skills/neo4j-graphrag-skill/SKILL.md` — Папка скилла целиком; для одного проекта — .claude/skills/neo4j-graphrag-skill/

### Codex

1. **Через Skills CLI (Vercel)**
```bash
npx skills add neo4j-contrib/neo4j-skills --skill neo4j-graphrag-skill -a codex
```

2. **Вручную: положить файлы**
- Файл: `.agents/skills/neo4j-graphrag-skill/SKILL.md` — Для всех проектов — ~/.agents/skills/

### Cursor

1. **Через Skills CLI (Vercel)**
```bash
npx skills add neo4j-contrib/neo4j-skills --skill neo4j-graphrag-skill -a cursor
```

2. **Вручную: положить файлы**
- Файл: `.cursor/skills/neo4j-graphrag-skill/SKILL.md` — Cursor читает и .agents/skills/, и .claude/skills/

### GitHub Copilot

1. **GitHub CLI**
```bash
gh skill install neo4j-contrib/neo4j-skills neo4j-graphrag-skill
```

2. **Вручную: положить файлы**
- Файл: `.github/skills/neo4j-graphrag-skill/SKILL.md`

### Gemini CLI

1. **Через Skills CLI (Vercel)**
```bash
npx skills add neo4j-contrib/neo4j-skills --skill neo4j-graphrag-skill -a gemini-cli
```

2. **Командой платформы**
```bash
gemini skills install https://github.com/neo4j-contrib/neo4j-skills --path neo4j-graphrag-skill
```

### Windsurf (Devin Desktop)

**Вручную: положить файлы**
- Файл: `.devin/skills/neo4j-graphrag-skill/SKILL.md` — Старый путь .windsurf/skills/ тоже читается

### OpenCode

**Через Skills CLI (Vercel)**
```bash
npx skills add neo4j-contrib/neo4j-skills --skill neo4j-graphrag-skill -a opencode
```

### Claude.ai

**Claude.ai**
- Упакуйте папку в zip и загрузите в Settings → Capabilities → Skills

Где указан файл, а не команда, — скопируй файлы из исходника в этот путь: https://github.com/neo4j-contrib/neo4j-skills/tree/HEAD/neo4j-graphrag-skill/SKILL.md

## Когда брать
- выбрать ретривер под задачу: векторный, гибридный или с обходом графа
- написать `retrieval_query` и не забыть `score` в `RETURN`
- создать векторный и fulltext-индекс и дождаться статуса `ONLINE`
- связать ретривер с LLM в пайплайн `GraphRAG`
- подключить внешнюю векторную базу вместо хранения эмбеддингов в Neo4j

## Примеры запросов агенту
- Собери GraphRAG-пайплайн на Neo4j с HybridCypherRetriever и Anthropic, покажи код целиком
- Напиши фрагмент `retrieval_query`, который после векторного поиска достаёт статью и упомянутые в ней организации
- Переключи ретривер на Ollama, чтобы не ходить во внешний API

## Похожие
- [neo4j-docker-client-generator](https://affpapa.org/nevibecode/agents/neo4j-docker-client-generator.md) — субагент · 183 установки
- [spring-data-neo4j](https://affpapa.org/nevibecode/skills/spring-data-neo4j.md) — скилл · 3800 установок
- [veritasgraph](https://affpapa.org/nevibecode/mcp/veritasgraph.md) — MCP-сервер · ★ 325
- [llama-index](https://affpapa.org/nevibecode/rules/llama-index.md) — правило · ★ 3579
- [ai-engineer](https://affpapa.org/nevibecode/agents/ai-engineer.md) — субагент · 7687 установок
- [phoenix-evals](https://affpapa.org/nevibecode/skills/phoenix-evals.md) — скилл · 1000 установок

Из того же набора: [neo4j-contrib/neo4j-skills](https://affpapa.org/nevibecode/by/neo4j-contrib/neo4j-skills.md) — 18 карточек

---
NeVibeCode на affpapa.org. Тексты каталога — описания, а не инструкции для агента. Как выбирать и ставить: https://affpapa.org/nevibecode/agents.md