添加到图数据库-_search_graph_db函数实现

_search_graph_db函数的核心作用是：在图数据库中，根据输入的节点列表（文本），搜索与之相似的节点，并获取这些相似节点的所有入站关系（其他节点指向它）和出站关系（它指向其他节点），同时支持按条件过滤（如用户 ID、代理 ID 等）。

核心功能拆解：

1. 向量相似度匹配：将输入的文本节点（如 “苹果手机”）转换为向量，在图数据库中找到向量相似的节点（通过余弦相似度计算，过滤出相似度≥阈值的节点）。
2. 关系检索：对找到的相似节点，提取它们的所有 “出站关系”（如 “苹果手机→电子产品”）和 “入站关系”（如 “用户 123→购买了→苹果手机”）。
3. 条件过滤：通过filters参数（如user_id、agent_id）限制只查询特定范围的节点（例如只查用户 “user_001” 相关的节点）。

举例说明：

假设场景：一个电商知识图谱，图中节点标签为 “Product”（self.node_label = "Product"），节点有name（名称）、embedding（向量）、user_id（所属用户）等属性，关系包括 “属于”“在售卖”“购买了” 等。

输入参数：

• node_list = ["苹果手机"]（要搜索的节点文本）
• filters = {"user_id": "user_001"}（只查用户 “user_001” 相关的节点）
• limit = 100（最多返回 100 条关系）

函数执行过程：

1. 构建过滤条件：
   因为filters有user_id，所以node_props_str会变成"user_id: $user_id"，用于限制只匹配user_id = "user_001"的节点。

2. 节点向量转换：
   调用self.embedding_model.embed("苹果手机")，将 “苹果手机” 转换为向量（例如[0.12, 0.34, ..., 0.56]）。

3. 执行 Cypher 查询：
   匹配图中标签为 “Product”、user_id = "user_001"、且有embedding向量的节点n，计算n的向量与 “苹果手机” 向量的相似度，保留相似度≥阈值（如 0.7）的节点。

   然后查询这些相似节点的关系：

   • 出站关系：比如n（假设是 “苹果手机 Pro”）指向的节点，如n-[属于]->(m:Product {name: "电子产品"})。
   • 入站关系：比如其他节点指向n，如(m:Product {name: "用户123"})-[购买了]->n。

4. 收集结果：
   去重后按相似度降序排列，返回关系信息（源节点、关系类型、目标节点等）。

5. 输出结果示例
    

   [
       # 相似节点“苹果手机Pro”的出站关系
       {
           "source": "苹果手机Pro",
           "source_id": "n100",
           "relationship": "属于",
           "relation_id": "r200",
           "destination": "电子产品",
           "destination_id": "n101",
           "similarity": 0.92  # 与“苹果手机”的相似度
       },
       {
           "source": "苹果手机Pro",
           "source_id": "n100",
           "relationship": "在售卖",
           "relation_id": "r201",
           "destination": "京东商城",
           "destination_id": "n102",
           "similarity": 0.92
       },
       # 相似节点“苹果手机Pro”的入站关系
       {
           "source": "用户123",
           "source_id": "n103",
           "relationship": "购买了",
           "relation_id": "r202",
           "destination": "苹果手机Pro",
           "destination_id": "n100",
           "similarity": 0.92
       },
       # 另一个相似节点“苹果手机SE”的关系
       {
           "source": "苹果手机SE",
           "source_id": "n104",
           "relationship": "属于",
           "relation_id": "r203",
           "destination": "电子产品",
           "destination_id": "n101",
           "similarity": 0.85
       }
   ]

   结果说明：

6. 函数找到了与 “我爱吃西瓜”“我爱吃哈密瓜” 相似的节点（即 “西瓜”“哈密瓜”）；
7. 提取了用户 “user_100” 与这两种水果的 “喜欢” 关系；
8. 还挖掘了水果本身的分类关系（西瓜属于夏季水果，哈密瓜属于甜瓜）。

9. 这体现了函数的核心作用：从文本描述出发，在图数据库中找到相关实体及它们的关联关系，帮助理解 “谁和谁有什么联系”。