尧图网页设计 
使用 Code-Graph-RAG 的 CypherGenerator自然语言生成知识图谱查询的完整指南【免费下载链接】code-graph-ragThe ultimate RAG for your monorepo. Query, understand, and edit multi-language codebases with the power of AI and knowledge graphs项目地址: https://gitcode.com/GitHub_Trending/co/code-graph-ragCode-Graph-RAG 的核心价值在于把多语言代码库解析成可查询的知识图谱而CypherGenerator正是这座图谱的自然语言入口它把Find all classes that inherit from BaseModel这类人类提问翻译成可直接执行的 Cypher 查询。本文将以 docs/sdk/cypher-generator.md 为骨架结合仓库源码如 codebase_rag/services/llm.py、codebase_rag/constants/security.py完整讲解它的接入方式、多 Provider 配置、底层安全校验机制与典型查询模式帮助你在自己的 Agent 或自动化流程中安全、稳定地使用它。一、CypherGenerator 是什么CypherGenerator是 Code-Graph-RAG 提供的 Python SDK 类职责单一而明确把自然语言问题转换为针对知识图谱的只读 Cypher 查询。它并不是在本地做关键字映射而是基于当前配置的大模型Provider构建一个专门的翻译 Agent通过强约束的系统提示词把输出限定为干净、只读、可安全执行的 Cypher。在 SDK 层面它由 cgr/init.py 直接导出因此只需一行导入即可使用from cgr import CypherGenerator与它一同导出的还有GraphLoader、MemgraphIngestor、embed_code、settings等完整的 SDK 入口总览见 docs/sdk/overview.md。二、快速上手最小可用示例最简单的用法是在 async 环境中创建实例并调用generate()import asyncio from cgr import CypherGenerator async def main(): gen CypherGenerator() cypher await gen.generate(Find all classes that inherit from BaseModel) print(cypher) asyncio.run(main())运行后控制台会输出类似这样的 Cypher实际生成结果取决于底层模型与图谱 SchemaMATCH (c:Class)-[:INHERITS]-(b:Class) WHERE b.name BaseModel RETURN c.name AS name, c.qualified_name AS qualified_name, labels(c) AS type LIMIT 10;generate()返回的是已清理并校验过的只读查询字符串可以直接交给 MemgraphIngestor 或 Memgraph 客户端执行。需要注意默认配置下若未设置任何模型底层会回退到本地 Ollama 默认模型见下文配置与优先级所以正式使用前请先完成 Provider 配置。三、配置 Cypher Provider 的三种方式生成器本身不绑定某个厂商它读取的是当前激活的 Cypher 模型配置。文档提供了三种等价配置路径。3.1 环境变量方式推荐用于部署在启动进程前导出环境变量即可Google 与 Anthropic 示例如下# GoogleGemini CYPHER_PROVIDERgoogle CYPHER_MODELgemini-3.5-flash-lite CYPHER_API_KEYyour-google-api-key # 或 AnthropicClaude CYPHER_PROVIDERanthropic CYPHER_MODELclaude-haiku-4-5 CYPHER_API_KEYsk-ant-your-anthropic-key从源码看这些变量定义在 codebase_rag/config.py 的Settings类中并且不止文档列出的三个还包括环境变量作用说明CYPHER_PROVIDER选择模型供应商见下方支持的 Provider 表CYPHER_MODEL指定模型 ID例如claude-haiku-4-5CYPHER_API_KEYAPI 密钥Google/OpenAI 等云端厂商必填CYPHER_ENDPOINT自定义 API 端点兼容 OpenAI 协议的自建服务用CYPHER_PROJECT_ID云厂商项目 ID部分 Google 认证场景需要CYPHER_REGION区域默认取DEFAULT_REGIONCYPHER_PROVIDER_TYPEGoogle 认证类型见GoogleProviderTypeCYPHER_THINKING_BUDGET思考预算支持思维链的模型用CYPHER_SERVICE_ACCOUNT_FILE服务账号文件Google 服务账号认证用完整的全局配置说明可参考 docs/getting-started/configuration.md。3.2 编程方式推荐用于单次会话覆盖通过cgr.settings在代码里临时切换不污染环境from cgr import settings # Google settings.set_cypher(google, gemini-3.5-flash-lite, api_keyyour-google-api-key) # 或 Anthropic settings.set_cypher(anthropic, claude-haiku-4-5, api_keysk-ant-your-key)从实现看set_cypher 会把参数组装成ModelConfig并存入_active_cypherCypherGenerator构造时通过settings.active_cypher_config属性读取它llm.py。也就是说先调用set_cypher再创建CypherGenerator即可生效ModelConfig还接受endpoint、provider_type、thinking_budget等 kwargs与上面的环境变量一一对应。3.3 默认回退行为未配置时若既没有环境变量也没有调用set_cypher_get_default_configconfig.py会回退到本地Ollama的默认模型并尝试连接本机 Ollama 端点。这意味着本地已有 Ollama 且装有默认模型时开箱即可用无本地模型时CypherGenerator()构造会抛出LLMGenerationError初始化失败。四、支持的 Provider 与模型选型文档给出的供应商与示例模型如下Provider示例模型Anthropicclaude-opus-5、claude-sonnet-5、claude-haiku-4-5Googlegemini-3.6-flash、gemini-3.5-flash-liteOpenAIgpt-5.6-terra、gpt-5.6-lunaOllamaqwen2.5-coder、llama3.2模型选型建议结合源码提示词的差异云端强模型Claude/Gemini/GPT走 build_cypher_system_prompt提示词包含完整的图谱 Schema 与查询规则可产出较复杂的多模式查询本地弱模型Ollama走 build_local_cypher_system_prompt提示词更严格要求只输出合法 Cypher、不要解释、不要 Markdown并给出更多直白的示例对适合qwen2.5-coder、llama3.2这类小模型。这一分支逻辑位于 llm.pyconfig.provider cs.Provider.OLLAMA时选择本地提示词否则用完整提示词。五、生成链路从提问到安全可执行的 Cyphergenerate()llm.py的内部流水线值得拆解便于理解它的行为边界构造 AgentCypherGenerator.__init__用当前active_cypher_config创建模型实例包装成pydantic-ai的Agent输出类型固定为str并设置重试次数settings.AGENT_RETRIESllm.py。运行 Agentawait self.agent.run(natural_language_query)把用户问题交给模型。基础校验结果必须是字符串且大写后必须包含MATCH关键字否则视为无效输出LLM_INVALID_QUERY。响应清理_clean_cypher_response剥掉 Markdown 代码围栏cypher ...、去除**加粗**包裹、去掉反引号与多余的cypher前缀并确保以分号结尾llm.py。安全校验只读强制依次执行三个校验函数任一失败都抛出LLMGenerationError_validate_cypher_read_only按危险关键字白名单/黑名单扫描见下文_validate_no_unbounded_paths拒绝无上界的变长路径_validate_call_procedures只允许调用放行前缀内的存储过程。返回校验通过后返回可直接执行的 Cypher 字符串同时写入结构化日志CYPHER_GENERATED。5.1 只读安全边界重点Cypher 由 LLM 生成天然存在被诱导产生写操作的风险。仓库在 codebase_rag/constants/security.py 定义了一组危险关键字生成结果中出现任何一个即被拒绝DELETE、DETACH、DROP、CREATE INDEX、CREATE CONSTRAINT、REMOVE、 SET、MERGE、CREATE、LOAD CSV、FOREACH这些关键字覆盖了删除节点/关系、修改属性、创建索引约束、批量导入等全部写路径。配合_validate_no_unbounded_paths变长路径必须给出显式上界如[*1..3]防止全图扫描_validate_call_procedures则只放行算法/分析类过程白名单前缀security.py包括pagerank.、algo.、node_similarity.、leiden_community_detection.、nxalg.、schema.、wcc.等图分析过程其余一律拒绝。在项目级多仓库场景查询还会受到项目作用域约束——相关的只读强制与作用域判定逻辑见 codebase_rag/tests/test_cypher_project_scope.py 的测试覆盖。5.2 异常与失败处理初始化失败模型不可用、密钥错误→LLM_INIT_CYPHER输出不含MATCH→LLM_INVALID_QUERY命中危险关键字 →LLM_DANGEROUS_QUERY包含具体关键字与原文无界路径 →LLM_UNBOUNDED_PATH非法过程调用 →LLM_DISALLOWED_PROCEDURE其余生成/校验失败 →LLM_GENERATION_FAILED。所有错误统一以LLMGenerationError抛出定义见 codebase_rag/exceptions.py调用方按需捕获即可同时在日志中记录CYPHER_ERROR便于排查。六、模型提示词中的查询范式进阶想要得到稳定的生成结果理解系统提示词内置的查询范式很有帮助。build_cypher_system_prompt与build_local_cypher_system_prompt内嵌了多条自然语言 → Cypher示例常量定义在 codebase_rag/cypher_queries.py它们同时也是你手工编写查询时的最佳实践模板1. 按短名查找类的方法用ENDS WITH匹配 qualified_name类/函数的qualified_name是完整路径如Project.folder.subfolder.ClassName用户只提短名时必须用后缀匹配不能用{name: ...}等值匹配MATCH (c:Class)-[:DEFINES_METHOD]-(m:Method) WHERE c.name UserService RETURN c.name AS className, m.name AS methodName, m.qualified_name AS qualified_name, labels(m) AS type LIMIT 102. 按路径前缀查目录内容用STARTS WITHMATCH (n) WHERE n.path IS NOT NULL AND n.path STARTS WITH workflows RETURN n.name AS name, n.path AS path, labels(n) AS type LIMIT 103. 查找调用者匹配CALLS边并返回type(r)调用者一端保持不标注模块、函数、方法都可能是调用点并按qualified_name后缀过滤被调者MATCH (caller)-[r:CALLS]-(callee:Function|Method) WHERE callee.qualified_name ENDS WITH .process_payment RETURN caller.qualified_name AS caller_qualified_name, caller.path AS path, labels(caller) AS type, type(r) AS call_type LIMIT 104. 多项目数据库内限定单项目作用域MATCH (c:Class) WHERE c.qualified_name STARTS WITH myproject. RETURN c.name AS name, c.qualified_name AS qualified_name, labels(c) AS type LIMIT 105. 装饰器/标注查询、关键字检索、找文件装饰器用IN运算符匹配decorators列表属性通用关键字检索用CONTAINS兜底找文件同时匹配name与path。提示词中还明确要求始终返回带别名的具体属性不要RETURN n返回整节点路径匹配一律STARTS WITH避免用生成的是只读查询输出仅包含 Cypher 本身。这些规则共同保证了生成结果与知识图谱 Schema见 codebase_rag/schema_builder.py对齐可直接交由查询层执行。七、常见问题与使用建议Q1没有配任何密钥能不能直接用可以但前提是本机 Ollama 可用且装有默认模型否则构造时抛LLMGenerationError。云端场景请先设置CYPHER_PROVIDER/CYPHER_MODEL/CYPHER_API_KEY或调用settings.set_cypher(...)。Q2生成的查询会被拒绝吗会。任何包含DELETE/CREATE/MERGE/SET/DROP...的写操作、无上界变长路径、白名单外的CALL过程都会被拦截并抛异常。这是刻意设计CypherGenerator只产出只读查询。Q3模型输出带 Markdown 怎么办无需担心_clean_cypher_response会自动剥离 代码块、**粗体、反引号和多余的cypher前缀并补齐分号。Q4如何挑选模型云端任务优先选择文档示例中的快速模型如gemini-3.5-flash-lite、claude-haiku-4-5以降本增效本地离线场景选 Ollama 的代码类模型qwen2.5-coder系统会自动切换为更严格的本地提示词。实践建议将CypherGenerator与 MemgraphIngestor 组合使用——前者负责把自然语言转成查询后者负责执行并把结果返回给上层 Agent形成提问 → 生成 → 执行 → 回答的完整 RAG 闭环多项目场景记得利用active_projects参数CypherGenerator(active_projects[...])把生成范围收敛到指定仓库减少跨项目误匹配。八、小结CypherGenerator是 Code-Graph-RAG 面向人类/Agent 提问 → 图谱查询的关键桥梁。它把模型选型收敛为一行set_cypher或几个环境变量把安全收敛为生成后的三道强制校验只读关键字、无界路径、过程白名单把质量收敛为内嵌查询范式的系统提示词。对集成开发者而言记住三个要点即可稳定使用先配置再构造、只读输出可直接执行、失败统一捕获LLMGenerationError。相关实现与测试均可继续在 codebase_rag/services/llm.py、codebase_rag/constants/security.py、codebase_rag/cypher_queries.py 以及测试目录codebase_rag/tests/如test_cypher_project_scope.py中深入阅读。【免费下载链接】code-graph-ragThe ultimate RAG for your monorepo. Query, understand, and edit multi-language codebases with the power of AI and knowledge graphs项目地址: https://gitcode.com/GitHub_Trending/co/code-graph-rag创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 使用 Code-Graph-RAG 的 CypherGenerator：自然语言生成知识图谱查询的完整指南
使用 Code-Graph-RAG 的 CypherGenerator自然语言生成知识图谱查询的完整指南【免费下载链接】code-graph-ragThe ultimate RAG for your monorepo. Query, understand, and edit multi-language codebases with the power of AI and knowledge graphs项目地址: https://gitcode.com/GitHub_Trending/co/code-graph-ragCode-Graph-RAG 的核心价值在于把多语言代码库解析成可查询的知识图谱而CypherGenerator正是这座图谱的自然语言入口它把Find all classes that inherit from BaseModel这类人类提问翻译成可直接执行的 Cypher 查询。本文将以 docs/sdk/cypher-generator.md 为骨架结合仓库源码如 codebase_rag/services/llm.py、codebase_rag/constants/security.py完整讲解它的接入方式、多 Provider 配置、底层安全校验机制与典型查询模式帮助你在自己的 Agent 或自动化流程中安全、稳定地使用它。一、CypherGenerator 是什么CypherGenerator是 Code-Graph-RAG 提供的 Python SDK 类职责单一而明确把自然语言问题转换为针对知识图谱的只读 Cypher 查询。它并不是在本地做关键字映射而是基于当前配置的大模型Provider构建一个专门的翻译 Agent通过强约束的系统提示词把输出限定为干净、只读、可安全执行的 Cypher。在 SDK 层面它由 cgr/init.py 直接导出因此只需一行导入即可使用from cgr import CypherGenerator与它一同导出的还有GraphLoader、MemgraphIngestor、embed_code、settings等完整的 SDK 入口总览见 docs/sdk/overview.md。二、快速上手最小可用示例最简单的用法是在 async 环境中创建实例并调用generate()import asyncio from cgr import CypherGenerator async def main(): gen CypherGenerator() cypher await gen.generate(Find all classes that inherit from BaseModel) print(cypher) asyncio.run(main())运行后控制台会输出类似这样的 Cypher实际生成结果取决于底层模型与图谱 SchemaMATCH (c:Class)-[:INHERITS]-(b:Class) WHERE b.name BaseModel RETURN c.name AS name, c.qualified_name AS qualified_name, labels(c) AS type LIMIT 10;generate()返回的是已清理并校验过的只读查询字符串可以直接交给 MemgraphIngestor 或 Memgraph 客户端执行。需要注意默认配置下若未设置任何模型底层会回退到本地 Ollama 默认模型见下文配置与优先级所以正式使用前请先完成 Provider 配置。三、配置 Cypher Provider 的三种方式生成器本身不绑定某个厂商它读取的是当前激活的 Cypher 模型配置。文档提供了三种等价配置路径。3.1 环境变量方式推荐用于部署在启动进程前导出环境变量即可Google 与 Anthropic 示例如下# GoogleGemini CYPHER_PROVIDERgoogle CYPHER_MODELgemini-3.5-flash-lite CYPHER_API_KEYyour-google-api-key # 或 AnthropicClaude CYPHER_PROVIDERanthropic CYPHER_MODELclaude-haiku-4-5 CYPHER_API_KEYsk-ant-your-anthropic-key从源码看这些变量定义在 codebase_rag/config.py 的Settings类中并且不止文档列出的三个还包括环境变量作用说明CYPHER_PROVIDER选择模型供应商见下方支持的 Provider 表CYPHER_MODEL指定模型 ID例如claude-haiku-4-5CYPHER_API_KEYAPI 密钥Google/OpenAI 等云端厂商必填CYPHER_ENDPOINT自定义 API 端点兼容 OpenAI 协议的自建服务用CYPHER_PROJECT_ID云厂商项目 ID部分 Google 认证场景需要CYPHER_REGION区域默认取DEFAULT_REGIONCYPHER_PROVIDER_TYPEGoogle 认证类型见GoogleProviderTypeCYPHER_THINKING_BUDGET思考预算支持思维链的模型用CYPHER_SERVICE_ACCOUNT_FILE服务账号文件Google 服务账号认证用完整的全局配置说明可参考 docs/getting-started/configuration.md。3.2 编程方式推荐用于单次会话覆盖通过cgr.settings在代码里临时切换不污染环境from cgr import settings # Google settings.set_cypher(google, gemini-3.5-flash-lite, api_keyyour-google-api-key) # 或 Anthropic settings.set_cypher(anthropic, claude-haiku-4-5, api_keysk-ant-your-key)从实现看set_cypher 会把参数组装成ModelConfig并存入_active_cypherCypherGenerator构造时通过settings.active_cypher_config属性读取它llm.py。也就是说先调用set_cypher再创建CypherGenerator即可生效ModelConfig还接受endpoint、provider_type、thinking_budget等 kwargs与上面的环境变量一一对应。3.3 默认回退行为未配置时若既没有环境变量也没有调用set_cypher_get_default_configconfig.py会回退到本地Ollama的默认模型并尝试连接本机 Ollama 端点。这意味着本地已有 Ollama 且装有默认模型时开箱即可用无本地模型时CypherGenerator()构造会抛出LLMGenerationError初始化失败。四、支持的 Provider 与模型选型文档给出的供应商与示例模型如下Provider示例模型Anthropicclaude-opus-5、claude-sonnet-5、claude-haiku-4-5Googlegemini-3.6-flash、gemini-3.5-flash-liteOpenAIgpt-5.6-terra、gpt-5.6-lunaOllamaqwen2.5-coder、llama3.2模型选型建议结合源码提示词的差异云端强模型Claude/Gemini/GPT走 build_cypher_system_prompt提示词包含完整的图谱 Schema 与查询规则可产出较复杂的多模式查询本地弱模型Ollama走 build_local_cypher_system_prompt提示词更严格要求只输出合法 Cypher、不要解释、不要 Markdown并给出更多直白的示例对适合qwen2.5-coder、llama3.2这类小模型。这一分支逻辑位于 llm.pyconfig.provider cs.Provider.OLLAMA时选择本地提示词否则用完整提示词。五、生成链路从提问到安全可执行的 Cyphergenerate()llm.py的内部流水线值得拆解便于理解它的行为边界构造 AgentCypherGenerator.__init__用当前active_cypher_config创建模型实例包装成pydantic-ai的Agent输出类型固定为str并设置重试次数settings.AGENT_RETRIESllm.py。运行 Agentawait self.agent.run(natural_language_query)把用户问题交给模型。基础校验结果必须是字符串且大写后必须包含MATCH关键字否则视为无效输出LLM_INVALID_QUERY。响应清理_clean_cypher_response剥掉 Markdown 代码围栏cypher ...、去除**加粗**包裹、去掉反引号与多余的cypher前缀并确保以分号结尾llm.py。安全校验只读强制依次执行三个校验函数任一失败都抛出LLMGenerationError_validate_cypher_read_only按危险关键字白名单/黑名单扫描见下文_validate_no_unbounded_paths拒绝无上界的变长路径_validate_call_procedures只允许调用放行前缀内的存储过程。返回校验通过后返回可直接执行的 Cypher 字符串同时写入结构化日志CYPHER_GENERATED。5.1 只读安全边界重点Cypher 由 LLM 生成天然存在被诱导产生写操作的风险。仓库在 codebase_rag/constants/security.py 定义了一组危险关键字生成结果中出现任何一个即被拒绝DELETE、DETACH、DROP、CREATE INDEX、CREATE CONSTRAINT、REMOVE、 SET、MERGE、CREATE、LOAD CSV、FOREACH这些关键字覆盖了删除节点/关系、修改属性、创建索引约束、批量导入等全部写路径。配合_validate_no_unbounded_paths变长路径必须给出显式上界如[*1..3]防止全图扫描_validate_call_procedures则只放行算法/分析类过程白名单前缀security.py包括pagerank.、algo.、node_similarity.、leiden_community_detection.、nxalg.、schema.、wcc.等图分析过程其余一律拒绝。在项目级多仓库场景查询还会受到项目作用域约束——相关的只读强制与作用域判定逻辑见 codebase_rag/tests/test_cypher_project_scope.py 的测试覆盖。5.2 异常与失败处理初始化失败模型不可用、密钥错误→LLM_INIT_CYPHER输出不含MATCH→LLM_INVALID_QUERY命中危险关键字 →LLM_DANGEROUS_QUERY包含具体关键字与原文无界路径 →LLM_UNBOUNDED_PATH非法过程调用 →LLM_DISALLOWED_PROCEDURE其余生成/校验失败 →LLM_GENERATION_FAILED。所有错误统一以LLMGenerationError抛出定义见 codebase_rag/exceptions.py调用方按需捕获即可同时在日志中记录CYPHER_ERROR便于排查。六、模型提示词中的查询范式进阶想要得到稳定的生成结果理解系统提示词内置的查询范式很有帮助。build_cypher_system_prompt与build_local_cypher_system_prompt内嵌了多条自然语言 → Cypher示例常量定义在 codebase_rag/cypher_queries.py它们同时也是你手工编写查询时的最佳实践模板1. 按短名查找类的方法用ENDS WITH匹配 qualified_name类/函数的qualified_name是完整路径如Project.folder.subfolder.ClassName用户只提短名时必须用后缀匹配不能用{name: ...}等值匹配MATCH (c:Class)-[:DEFINES_METHOD]-(m:Method) WHERE c.name UserService RETURN c.name AS className, m.name AS methodName, m.qualified_name AS qualified_name, labels(m) AS type LIMIT 102. 按路径前缀查目录内容用STARTS WITHMATCH (n) WHERE n.path IS NOT NULL AND n.path STARTS WITH workflows RETURN n.name AS name, n.path AS path, labels(n) AS type LIMIT 103. 查找调用者匹配CALLS边并返回type(r)调用者一端保持不标注模块、函数、方法都可能是调用点并按qualified_name后缀过滤被调者MATCH (caller)-[r:CALLS]-(callee:Function|Method) WHERE callee.qualified_name ENDS WITH .process_payment RETURN caller.qualified_name AS caller_qualified_name, caller.path AS path, labels(caller) AS type, type(r) AS call_type LIMIT 104. 多项目数据库内限定单项目作用域MATCH (c:Class) WHERE c.qualified_name STARTS WITH myproject. RETURN c.name AS name, c.qualified_name AS qualified_name, labels(c) AS type LIMIT 105. 装饰器/标注查询、关键字检索、找文件装饰器用IN运算符匹配decorators列表属性通用关键字检索用CONTAINS兜底找文件同时匹配name与path。提示词中还明确要求始终返回带别名的具体属性不要RETURN n返回整节点路径匹配一律STARTS WITH避免用生成的是只读查询输出仅包含 Cypher 本身。这些规则共同保证了生成结果与知识图谱 Schema见 codebase_rag/schema_builder.py对齐可直接交由查询层执行。七、常见问题与使用建议Q1没有配任何密钥能不能直接用可以但前提是本机 Ollama 可用且装有默认模型否则构造时抛LLMGenerationError。云端场景请先设置CYPHER_PROVIDER/CYPHER_MODEL/CYPHER_API_KEY或调用settings.set_cypher(...)。Q2生成的查询会被拒绝吗会。任何包含DELETE/CREATE/MERGE/SET/DROP...的写操作、无上界变长路径、白名单外的CALL过程都会被拦截并抛异常。这是刻意设计CypherGenerator只产出只读查询。Q3模型输出带 Markdown 怎么办无需担心_clean_cypher_response会自动剥离 代码块、**粗体、反引号和多余的cypher前缀并补齐分号。Q4如何挑选模型云端任务优先选择文档示例中的快速模型如gemini-3.5-flash-lite、claude-haiku-4-5以降本增效本地离线场景选 Ollama 的代码类模型qwen2.5-coder系统会自动切换为更严格的本地提示词。实践建议将CypherGenerator与 MemgraphIngestor 组合使用——前者负责把自然语言转成查询后者负责执行并把结果返回给上层 Agent形成提问 → 生成 → 执行 → 回答的完整 RAG 闭环多项目场景记得利用active_projects参数CypherGenerator(active_projects[...])把生成范围收敛到指定仓库减少跨项目误匹配。八、小结CypherGenerator是 Code-Graph-RAG 面向人类/Agent 提问 → 图谱查询的关键桥梁。它把模型选型收敛为一行set_cypher或几个环境变量把安全收敛为生成后的三道强制校验只读关键字、无界路径、过程白名单把质量收敛为内嵌查询范式的系统提示词。对集成开发者而言记住三个要点即可稳定使用先配置再构造、只读输出可直接执行、失败统一捕获LLMGenerationError。相关实现与测试均可继续在 codebase_rag/services/llm.py、codebase_rag/constants/security.py、codebase_rag/cypher_queries.py 以及测试目录codebase_rag/tests/如test_cypher_project_scope.py中深入阅读。【免费下载链接】code-graph-ragThe ultimate RAG for your monorepo. Query, understand, and edit multi-language codebases with the power of AI and knowledge graphs项目地址: https://gitcode.com/GitHub_Trending/co/code-graph-rag创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考