事实	依据
文档稠密向量 + BM25 稀疏向量，两路 Prefetch，服务端 Fusion.RRF	`app/extended/ext_vector.py` 的 `hybrid_search`；BM25 使用 Qdrant/bm25
图节点 name-embedding / summary-embedding 分别检索，再在 Python 按排名融合，常数 60	`app/core/graph/graph_store.py` 的 `search_nodes_semantic`（融合常数见 `_RRF_K`）
检索参数可带 payload filter；授权不能只信 payload	`app/extended/ext_vector.py`、`app/services/agent_read_scope.py`、`app/core/agent/tools/vector_tools.py`；源码要求命中文档按 PG 归属复核
图写工具 update_node / update_relation / deprecate_node 仅 ariadne 可用，图只读工具已向主 Agent 放开	`app/core/agent/tools/__init__.py`、`graph_edit_tools.py`
qwen3-vl-rerank 有模型迁移记录和历史 rerank profile 配置	`app/migrations/versions/f2a3b4c5d6e7_dashscope_model_pricing.py`、`app/scripts/legacy_config/models.yaml`；实际当前模型由配置中心/数据库决定，不能仅据此断言运行时永远是它

官方核对入口：Qdrant 混合检索、Qdrant 过滤、Neo4j MERGE、Neo4j 执行计划。API 与可用功能要按实际服务版本核对。

第一部分：Qdrant 与向量检索

七、Neo4j（知识图谱）

图数据库适合什么？ 关系多跳查询（朋友的朋友、A 到 B 的路径、谁负责什么）。关系型数据库多次 JOIN 越来越慢，图数据库沿着边走，复杂度和总数据量无关，只和走过的部分有关（index-free adjacency）。

Cypher 基本语法？

MATCH (p:Person)-[:WORKS_ON]->(proj:Project {name: '荔枝'}) RETURN p.name
MERGE (p:Person {name: '张三'})            // 有就匹配，没有就创建

索引和约束？ 范围索引（等值和范围）、文本索引（CONTAINS）、全文索引（Lucene，分词搜索）、向量索引（5.x 起）；唯一约束 CREATE CONSTRAINT FOR (p:Person) REQUIRE p.id IS UNIQUE（同时自带索引）。
怎么看查询计划？ EXPLAIN（不执行）/ PROFILE（执行并统计每步的 db hits）。看有没有 AllNodesScan（全图扫描）、NodeByLabelScan（按标签扫），理想是 NodeIndexSeek。
批量写入怎么快？
```
UNWIND $rows AS row
MERGE (n:Entity {id: row.id}) SET n += row.props
```
一次传几千行，比一条条写快几十倍；超大批量用 CALL { ... } IN TRANSACTIONS OF 1000 ROWS 分批提交，或离线用 neo4j-admin import。
我们怎么用的？ 从文档和对话里用模型抽取实体和关系写入；节点同时在 Qdrant 存名字和摘要的向量，语义找节点（双向量 RRF）；关系问题用 text2cypher 或从已知节点展开邻居。

比如「公司」节点连了 100 万条边，任何经过它的查询都要遍历 100 万条边，直接卡死。
方案：
1. 查询时指定关系类型和方向（Neo4j 对同一节点的边按类型和方向分组存储，指定后只扫对应的组）；
2. 建模时拆分：按时间 / 类别引入中间节点（公司 → 2026年10月 → 事件），而不是所有事件直接连公司；
3. 业务上设上限，结果分页；
4. 遍历时避开超级节点（路径查询里加条件跳过度数过高的节点）。

MATCH (a)-[*]-(b) 不限深度，路径数随深度指数增长。
方案：一律限制深度 [*1..3]；用 shortestPath()；用 APOC 的 apoc.path.expandConfig 控制遍历（唯一性、黑白名单标签）；加 LIMIT；设查询超时 db.transaction.timeout。

这是知识图谱最难的问题，不是数据库能解决的。
方案：抽取时就规范化（统一全称）；写入前先在向量库里按名字 + 摘要的语义相似度找候选，再让模型判断是否同一实体；保留别名属性；低置信度的进人工审核队列。我们的图谱写入带置信度，可以被重新抽取推翻。

安全：只读事务执行（session.execute_read）；账号只给读权限；强制 LIMIT；查询超时；禁止 CALL 危险过程。我们的图谱写操作只给特定子 agent，主 agent 拒绝「直接改 Neo4j」的请求。
准确：prompt 里给 schema（标签、关系类型、属性）；few-shot 示例；生成后先 EXPLAIN 校验语法；失败把错误回喂给模型重试。

社区版只有一个数据库 → 所有节点带 org_id 属性并建索引，每条查询都必须带租户条件（在代码层统一注入，不依赖模型生成的 Cypher 记得加）。
企业版可以每个租户一个数据库（多数据库特性）。