最近实训/毕业设计阶段医疗问答、医疗知识库这类选题热度一直很高。很多人一上来就堆大模型 API结果答辩时导师问“你的系统除了调接口还有什么”一时答不上来。这次看的这个项目思路不太一样它把RAG 检索增强生成、LangChain 工作流、Neo4j 知识图谱、FastAPI 后端和 Vue3 前端串成了一个完整的医疗问诊平台免费可用特别适合 Python 大模型方向的毕业设计或课程设计。先说最值得关注的几个点一是RAG 让大模型回答有据可依不再是纯靠模型“编”医疗场景下这一点很重要二是Neo4j 知识图谱把疾病、症状、药物、科室之间的关联关系可视化作为系统亮点去答辩很有说服力三是FastAPI 提供标准接口前端 Vue3 可以直接对接前后端分离的思路完整能展示工程能力。硬件门槛方面如果使用本地小模型做 embedding 和 LLM 推理普通 8G 显存显卡就可以起步如果调用云端 API一张普通开发机都够。本文会带你把环境准备、项目启动、功能测试、接口调用、批量任务这几个环节全部过一遍。适合谁来读正在选毕业设计题目的本科生、想做 AI 应用方向课设的研究生、以及想快速搭一套“RAG 知识图谱 前后端分离”演示系统的开发者。这套技术栈组合放到简历里覆盖面也比较广。1. 核心能力速览能力项说明项目类型AI 智能医疗问诊平台前后端分离全栈项目核心技术栈RAG、LangChain、Neo4j、FastAPI、Vue3、Python主要功能医疗症状咨询、疾病知识问答、知识图谱可视化、科室推荐、用药与注意事项检索大模型接入可接入云端大模型 API也可替换为本地模型向量检索通过 Embedding 模型 向量库实现 RAG 检索增强知识存储医学文本知识库 Neo4j 图数据库实体关系存储后端框架FastAPI提供 RESTful API 接口前端框架Vue3可选 Element Plus / ECharts 等组件库启动方式后端 Uvicorn 启动前端 npm 启动需先启动 Neo4j是否支持 API支持FastAPI 自带 Swagger 文档是否支持批量任务支持可批量导入医学知识、批量问答测试适合场景毕业设计、课程设计、RAG 入门项目、知识图谱应用演示说明上表中的具体参数比如模型名称、端口号、向量库类型要根据你拉取到的项目 README 或配置目录最终确认。下面所有命令都是通用部署模板按实际项目结构替换路径即可。2. 适用场景与使用边界这个项目适合三类人。第一类毕业设计选题是“大模型 垂直行业应用”的同学。医疗问答是典型场景RAG 解决大模型幻觉问题Neo4j 解决知识关联展示问题FastAPI Vue3 解决系统完整性问题每一层都有明确“工作量”可写进论文。第二类想快速理解 RAG 工程链路的开发者。从文档加载、文本切分、向量化、检索、重排、Prompt 组装到生成回答整个链路在这个项目里能跑通并且能看到每一步的输入输出。第三类需要演示知识图谱价值的开发者。Neo4j 里疾病、症状、药物、科室之间的多跳关系比传统关系型数据库的表格展示直观得多做系统演示时效果明显。使用边界这里必须说清楚不能用于真实医疗诊断。这个项目定位是学习演示和科研原型不是医疗器械不能给真实患者提供诊疗建议。系统输出只能作为“参考信息”不能作为处方依据。数据隐私必须控制。如果导入真实病历或患者数据必须提前脱敏并遵守相关数据保护法规。建议课程设计和毕业设计阶段只使用公开医学知识库和模拟数据。模型输出需要人工复核。RAG 只能降低幻觉概率不能完全消除。系统里应该保留“AI 生成内容仅供参考”的免责提示答辩时这也是一个加分点。商用需谨慎。医疗 AI 商业化有严格的资质要求和审查流程这个项目作为学习范本没有问题但不要直接包装成商用产品。3. 系统架构与核心流程在动手部署前先理解这个项目的整体结构后面排查问题时会更清楚。3.1 整体技术分层这个项目的典型分层结构大致如下前端层Vue3 Vite Element Plus ECharts ↓ HTTP 请求 接口层FastAPI Uvicorn ↓ 业务服务层 1. RAG 问答服务LangChain 编排 2. 知识图谱查询服务Neo4j Cypher 3. 用户会话服务可选对接关系型数据库 ↓ 数据层 - 文档知识库 → 加载 → 切分 → Embedding → 向量存储 - 结构化医疗数据 → Neo4j 图数据库 - 大模型服务云端 API 或本地推理服务前端负责对话界面、知识图谱可视化、问诊表单和结果展示FastAPI 负责接收请求、编排 RAG 流程、查询知识图谱、返回统一 JSONNeo4j 负责存储和查询疾病、症状、药品、科室等实体关系LangChain 把“检索 — 组装 Prompt — 调用大模型 — 输出回答”串成一条可维护的链路。3.2 RAG 问答链路这个项目的核心是 RAG整体流程可以这样理解知识入库把医学教材、公开疾病百科、药品说明书等文档放入指定目录。文档加载与切分LangChain 读取文档按标题、段落或固定 chunk_size 切分。向量化调用 Embedding 模型把文本块转成向量并存入向量数据库。用户提问用户输入症状或疾病描述。检索召回把用户问题向量化在向量库中检索 TopK 相关文本块。重排与组装把检索结果作为上下文与系统提示词、用户问题组装成最终 Prompt。生成回答大模型基于提供的上下文生成回答并可在回答后面附上参考来源。为什么要做 RAG而不是直接让大模型回答因为医疗场景对准确性要求高直接用大模型“背”答案容易出现事实性错误。RAG 让模型“先查资料再回答”问题对应的知识来自本地知识库而不是模型参数记忆提高可解释性。3.3 知识图谱问答链路Neo4j 在系统里承担“关系查询 知识推理”的职责。常见查询包括“感冒有哪些症状”“头痛应该挂哪个科室”“某某药物和某某药物能否同服”“糖尿病患者需要注意什么”这些查询如果用传统关系型数据库做需要多次 JOIN而且关系深了以后 SQL 会非常复杂。Neo4j 用 Cypher 直接遍历关系// 示例查询与糖尿病相关的症状节点 MATCH (d:疾病 {name: 糖尿病})-[:关联症状]-(s:症状) RETURN s.name LIMIT 20项目里通常会预置一批 Cypher 查询模板把用户问题通过规则或大模型映射成对应的图查询再把查询结果拼进回答上下文。这部分做好了答辩时可以重点展示知识图谱如何增强回答的解释性。4. 环境准备与前置条件部署这个项目需要的环境比较多建议按照下面清单准备。4.1 硬件基础要求资源建议配置CPU4 核以上纯 CPU 推理可用但速度慢内存16GB 以上推荐 32GBNeo4j 向量检索 大模型同时运行需要显卡如果本地跑 LLM建议 8GB 以上显存只跑 embedding 则 4GB 就够磁盘至少 20GB 剩余空间Neo4j 数据 Python 环境 前端依赖 模型文件如果你的方案是调用云端大模型 API那么显卡要求可以忽略普通开发笔记本即可。4.2 软件环境清单软件用途版本建议Python后端开发3.10 或 3.11Neo4j图数据库社区版 5.x 即可Node.js前端构建18 或 20 LTSMySQL 或 SQLite用户/会话数据存储如项目需要按项目 README 决定Git拉取项目代码最新稳定版IDE 推荐 VS Code装好 Python、Vue 插件。数据库可视化工具可以准备 DBeaver 或 Neo4j Browser方便查看图数据。5. 安装部署与启动方式这个项目涉及多个服务启动顺序建议是先启动 Neo4j再启动后端 FastAPI最后启动前端 Vue3。5.1 获取项目代码# 把项目克隆到本地网址以你找到的项目仓库为准 git clone 项目仓库地址 cd 项目目录如果你的项目是通过网盘下载压缩包解压后注意路径不能包含中文避免依赖安装时出现编码问题。5.2 启动 Neo4j 图数据库Neo4j 是知识图谱的存储引擎必须最先启动。安装方式有两种。第一种是桌面安装直接下载 Neo4j Desktop创建新数据库即可。第二种是 Docker 方式开发环境比较推荐docker run -d \ --name neo4j \ -p 7474:7474 \ -p 7687:7687 \ -e NEO4J_AUTHneo4j/yourpassword \ neo4j:5-community启动后访问http://localhost:7474用neo4j和设置的密码登录然后在 Neo4j Browser 里执行项目提供的 Cypher 初始化脚本导入疾病、症状、药品、科室等节点和关系。如果项目的初始化脚本是.cypher文件也可以用命令行执行# 以 neo4j-admin 方式导入实际路径按你的安装位置调整 neo4j-admin database import full \ --nodes节点CSV路径 \ --relationships关系CSV路径 \ --databaseneo4j更常见的做法是项目里有 Python 脚本通过neo4jPython 驱动批量写入数据python scripts/init_graph.py启动后端前先在 Neo4j Browser 里确认知识图谱数据已经存在否则后面查询为空。5.3 配置并启动后端 FastAPI先创建 Python 虚拟环境并安装依赖cd backend # 创建虚拟环境避免污染系统 Python python -m venv venv # Windows venv\Scripts\activate # Linux / macOS source venv/bin/activate # 安装依赖 pip install -r requirements.txt如果 requirements.txt 里包含fastapi、uvicorn、langchain、neo4j、openai、sentence-transformers等常见包国内网络环境下建议配置 pip 镜像加速pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple安装完成后检查项目里是否有.env或config.py之类的配置文件。通常需要配置Neo4j 连接地址、用户名、密码。大模型 API Key、Base URL、模型名称。Embedding 模型名称或本地路径。向量数据库地址。运行端口。配置完成后启动后端服务uvicorn main:app --host 0.0.0.0 --port 8000 --reload启动成功后在浏览器访问http://127.0.0.1:8000/docs如果能看到 Swagger 接口文档页面说明 FastAPI 后端已经正常运行。5.4 启动前端 Vue3打开新的终端进入前端目录cd frontend # 安装依赖 npm install # 如果依赖多或网络慢可以换淘宝镜像源 npm install --registryhttps://registry.npmmirror.com # 启动开发服务器 npm run dev启动后终端会显示本地访问地址一般是http://localhost:5173。打开页面如果能看到登录页或问诊对话页说明前端已经跑起来了。5.5 联调验证前后端都启动后需要确认前端能正常请求后端接口。在 Vue3 项目中后端地址通常配置在.env.development文件里# 前端开发环境配置 VITE_API_BASE_URLhttp://127.0.0.1:8000确认配置无误后在前端页面发起一次问诊测试。如果浏览器控制台出现跨域报错需要在 FastAPI 后端的配置中加上 CORS 中间件允许前端地址访问from fastapi.middleware.cors import CORSMiddleware app.add_middleware( CORSMiddleware, allow_origins[http://localhost:5173], allow_credentialsTrue, allow_methods[*], allow_headers[*], )代码块示例实际以项目现有代码为准。到这里一套完整的“Neo4j FastAPI Vue3 RAG”系统就起来了。6. 功能测试与效果验证系统跑通后逐个验证核心功能。6.1 医疗问诊对话测试这是系统的主入口。测试步骤如下在前端对话输入框输入“我最近头痛、发热、咳嗽可能是什么问题”观察前端是否返回结构化回答。观察回答中是否包含症状解释、可能疾病、建议科室。检查回答末尾是否引用知识库来源。预期结果是模型结合 RAG 检索到的医学文本 图谱查询到的关系信息生成一段带参考依据的回答而不是直接凭“记忆”输出。判断成功标准回答内容与知识库中的疾病、症状描述一致且没有明显错误或过度断言。如果回答质量很差优先检查知识库文档是否成功向量化并入库。检索 TopK 是否过小比如只检索了 2 个文本块信息量不足。系统 Prompt 是否约束了回答范围。6.2 RAG 知识库检索效果测试如果项目提供了独立的“知识库管理”或“检索测试”页面可以单独测试检索效果。输入查询“高血压患者饮食注意事项”预期能返回知识库中相关的高血压饮食建议文本块。如果没有独立页面可以在 Python 脚本里直接调用检索函数测试from langchain.embeddings import OpenAIEmbeddings from langchain.vectorstores import FAISS # 按实际项目路径和模型名称修改 embeddings OpenAIEmbeddings(modeltext-embedding-ada-002) vectorstore FAISS.load_local( ./vectorstore, embeddings, allow_dangerous_deserializationTrue ) query 高血压患者饮食注意事项 docs vectorstore.similarity_search(query, k5) for i, doc in enumerate(docs): print(fTop {i 1}: {doc.page_content[:100]}) print(---)这一步主要验证两个问题一是文档切分是否合理二是语义检索能不能找到真正相关的文本块。如果检索结果不相关需要检查 embedding 模型是否选对、文档内容是否和问题领域一致。6.3 知识图谱问答测试在 Neo4j Browser 里执行几条 Cypher 查询验证图谱数据完整性// 查看所有节点类型 CALL db.labels(); // 查看所有关系类型 CALL db.relationshipTypes(); // 查询感冒节点及其关联关系 MATCH (d:疾病 {name: 感冒})-[r]-(n) RETURN d.name AS disease, type(r) AS relation, n.name AS related_node LIMIT 30;如果在 SQL 式的关系型数据库里做同样查询需要关联疾病表、症状表、药品表、科室表SQL 很长而在 Neo4j 里只是几条 Cypher 语句。这也是知识图谱在关联查询上的核心优势。如果项目前端集成了知识图谱可视化组件在页面上应该能看到“疾病 — 症状 — 药品 — 科室”节点组成的关系图节点可以点击展开。验证时重点看节点是否有数据、关系是否正确、图是否卡顿。6.4 多轮对话与上下文测试测试场景第一轮问“我最近总是失眠”。第二轮问“应该挂什么科”。第三轮问“需要注意什么”。预期结果是模型能识别第二轮的“应该挂什么科”是指“失眠应该挂什么科”而不是独立回答。RAG 检索时如果只检索当前轮次问题往往会丢失上下文所以支持多轮对话的项目通常会增加“历史对话重写”环节把多轮对话压缩成包含上下文的独立问题再去做检索。如果发现多轮效果差改进方向有两个一是把历史对话拼接进 Prompt让模型理解当前问题二是单独调用大模型把“前几轮 当前问题”重写为独立问题再做检索。6.5 知识库扩展测试如果你有额外的医学知识文档可以放入知识库目录执行知识库更新脚本再测试新内容能否被检索到。这个步骤在毕业设计中可以写成“知识库动态更新”功能工程上很有价值。7. 接口 API 与批量任务FastAPI 自带 Swagger 文档这是项目展示时很好用的一点。打开http://127.0.0.1:8000/docs可以看到所有接口的定义、参数和返回格式演示效果直观。7.1 核心接口示例项目常见的接口包括以下几个方面。以下接口路径是通用示例实际路径以项目代码为准# 问诊接口示例 app.post(/api/chat) async def chat(request: ChatRequest): # 1. 根据用户问题检索知识库 # 2. 查询知识图谱 # 3. 组装 Prompt # 4. 调用大模型生成回答 return {answer: result} # 知识库上传接口示例 app.post(/api/knowledge/upload) async def upload_knowledge(file: UploadFile): # 解析文档并写入向量库 return {status: success} # 知识图谱查询接口示例 app.get(/api/graph/disease/{name}) async def get_disease_graph(name: str): # 查询疾病关联关系 return {nodes: nodes, relations: relations}7.2 使用 curl 测试接口curl -X POST http://127.0.0.1:8000/api/chat \ -H Content-Type: application/json \ -d {question: 我最近头痛发热咳嗽可能是什么问题}返回结果一般是 JSON 格式{ answer: 根据您提供的症状信息常见可能性包括上呼吸道感染、感冒等。建议先测量体温多休息。如果症状持续建议前往呼吸内科就诊。, sources: [doc1.pdf, doc2.txt], nodes: [感冒, 头痛, 发热] }7.3 使用 Python 调用接口import requests url http://127.0.0.1:8000/api/chat payload { question: 胃痛应该挂哪个科室, history: [] } response requests.post(url, jsonpayload, timeout60) data response.json() print(data[answer])7.4 批量问答与数据导入批量任务在这个项目里主要有两类。第一类批量文档导入。把多份医学文档放入输入目录脚本统一加载、切分、向量化写入向量库。建议设计成“输入目录 输出日志”的方式import os from pathlib import Path input_dir Path(./knowledge_docs) for doc_path in input_dir.glob(*.txt): print(f正在处理: {doc_path.name}) # 1. 加载文档 # 2. 切分文本 # 3. 生成向量 # 4. 写入向量库 # 5. 记录日志批量导入的关键是失败重试和日志记录。单个文件解析失败时不应该中断整个批处理流程而是记录错误并继续处理下一个文件。第二类批量问答测试。准备一组测试问题和预期关键词批量调用接口检查回答是否包含预期内容。这个可以用来量化评估 RAG 系统的检索准确率写论文时很有用。import json import time import requests BASE_URL http://127.0.0.1:8000/api/chat test_cases [ {question: 感冒有什么症状, expected_keywords: [发热, 咳嗽]}, {question: 头痛挂什么科, expected_keywords: [神经内科]}, {question: 糖尿病患者饮食注意事项, expected_keywords: [控糖]}, ] for case in test_cases: resp requests.post(BASE_URL, json{question: case[question]}, timeout60) answer resp.json().get(answer, ) hit [kw for kw in case[expected_keywords] if kw in answer] status PASS if hit else FAIL print(f[{status}] {case[question]} 命中关键词: {hit}) time.sleep(1)8. 资源占用与性能观察运行这套系统资源占用主要来自四个部分Neo4j 图数据库、Python 后端、向量检索服务和前端开发服务器。8.1 Neo4j 资源占用Neo4j 启动后通常会占用 1GB 到 3GB 内存具体取决于导入的数据量。如果配置不高可以在neo4j.conf中调低内存参数# 限制 Neo4j 堆内存单位是字节或缩写 server.memory.heap.initial_size512m server.memory.heap.max_size1g server.memory.pagecache.size512m注意调低内存后复杂 Cypher 查询可能变慢需要根据机器配置权衡。8.2 后端与模型推理资源占用如果使用云端大模型 API后端进程本身占用很小主要内存消耗来自加载 embedding 模型和向量库。embedding 模型一般占用 1GB 到 2GB 内存。如果使用本地大模型推理显存占用就会大幅上升。以 7B 量化模型为例常见情况下需要 6GB 到 10GB 显存。具体数字要按你使用的模型、量化方式和推理框架来测。8.3 降低资源占用的手段如果只做演示优先使用云端 API本地只跑 FastAPI。embedding 模型可以选更小的比如bge-small-zh比bge-large-zh更省内存中文效果也不错。向量检索库如果量不大用 FAISS 本地模式就够没必要单独部署向量数据库服务。Neo4j 只保留演示必要的数据不要一次性导入海量语料。8.4 性能观察方法后端 Uvicorn 启动后观察 Python 进程的内存变化。调用批量问答脚本时用nvidia-smi或任务管理器观察显存变化。前端知识图谱渲染大量节点时如果页面卡顿适当限制节点返回数量比如 Cypher 查询后面加上LIMIT 100。接口响应时间可以先记录单次问答时长再对比知识库检索命中后和未命中时的差异。9. 常见问题与排查方法9.1 启动与访问问题问题现象可能原因排查方式解决方案后端启动后接口文档打不开端口被占用或启动失败查看终端报错检查 8000 端口更换端口或结束占用进程前端页面打不开Node 依赖未装好或端口冲突查看 npm run dev 输出删除 node_modules 重装或换端口前端请求后端报跨域错误后端未配置 CORS打开浏览器控制台看具体报错在 FastAPI 中配置 CORSMiddlewareNeo4j 登录不进去密码错误或数据库未启动检查 Docker 容器状态重置密码或重启容器9.2 依赖安装问题“pip install 很慢”或“安装超时”是国内最常见的问题换国内镜像源即可pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simplenpm 同理npm config set registry https://registry.npmmirror.com如果某些包安装时要求编译比如hnswlib、sentence-transformers的部分依赖需要确认本机安装了对应版本的 C 编译工具链。安装失败时优先搜索错误信息中的关键包名。9.3 模型与知识库问题问题现象可能原因排查方式解决方案回答中看不到知识库内容文档没有向量化或向量库为空检查向量库目录大小重新执行知识库构建脚本检索结果不相关切分粒度太大或 embedding 模型不合适打印检索结果查看调整 chunk_size更换 embedding 模型回答内容明显错误RAG 上下文不足或系统提示词约束弱检查最终 Prompt 中的上下文增加检索数量优化提示词知识图谱查询结果为空Cypher 初始化脚本未执行在 Neo4j Browser 手动执行重新导入图数据查询速度慢图数据量大或缺少索引查看 EXPLAIN 输出为常用属性创建索引Neo4j 创建索引的示例CREATE INDEX disease_name_index FOR (d:疾病) ON (d.name); CREATE INDEX symptom_name_index FOR (s:症状) ON (s.name);9.4 大模型调用问题问题现象可能原因排查方式解决方案接口返回 401API Key 错误或过期检查 .env 配置更新 API Key接口返回超时模型输入太长或网络问题查看 FastAPI 日志缩短上下文长度加大超时时间本地模型加载慢模型文件大或磁盘慢观察内存和显存占用使用量化版本放在 SSD 上输出内容被截断max_tokens 设得太小查看返回的 finish_reason调整 max_tokens 参数9.5 批量任务卡住批量导入知识文档时如果脚本长时间没有输出很可能是单条数据解析卡住。建议给每条文档处理逻辑加上超时控制并使用日志查看当前处理到哪个文件。批量问答测试同理逐条打印结果而不是全部完成后一次性输出。10. 最佳实践与使用建议10.1 工程化建议第一次跑通后建议做几件事先保留一套最小可运行配置。把 Neo4j 连接、模型 API、向量库路径写进.env文件提交一份.env.example到代码库方便换机器部署。再整理目录结构。模型文件、输入素材、输出结果分开存放。建议目录结构如下project/ ├── backend/ │ ├── app/ │ ├── scripts/ │ ├── requirements.txt │ └── .env ├── frontend/ │ ├── src/ │ └── package.json ├── data/ │ ├── knowledge_docs/ │ ├── graphs/ │ └── outputs/ └── README.mdRAG 调优时建议固定变量。先固定模型、固定文档只调整 chunk_size 和检索 TopK记录每次调整后的问答效果。不要同时改多个参数否则无法判断是谁影响的结果。10.2 医疗场景数据合规医疗 AI 项目必须把合规放在第一位演示数据必须脱敏。任何真实患者姓名、身份证号、联系方式都不能出现在知识库和演示数据中。使用公开医学知识库时注意确认来源和授权。即使是公开内容在毕业设计文档里也应该标注参考来源。系统界面需要显示“AI 生成内容仅供参考不构成医疗建议”的提示。这不是形式而是医疗 AI 应用的基本边界。如果需要接入真实医疗数据做研究需要走正规的伦理审查和数据授权流程不能自行采集。10.3 答辩与演示准备毕业设计答辩时系统演示和论文写作都需要提前准备演示数据量控制在能“秒回”的范围。演示现场不需要展示大量数据导入过程重点展示效果。准备 2 到 3 个“有对比”的用例。比如同一个问题直接问大模型和 RAG 增强后回答的差异。这种对比最能体现 RAG 的价值。知识图谱的可视化页面值得多花时间打磨。Neo4j 图结构本身就具有展示优势答辩时讲清楚“实体 — 关系 — 查询”的链路比讲一堆模型结构更容易让评委理解。论文里画好系统架构图和数据流程图把 RAG 和知识图谱两条链路分别画清楚。10.4 模型选型建议如果你打算把大模型替换成本地部署推荐路线是先从 “云端 API 小 embedding 模型” 开始尽早跑通全流程。再尝试把 LLM 替换成本地模型。优先选择中文表现好的量化模型。显存不足时使用 CPU 推理或更小的量化版本或者直接放弃本地 LLM继续使用云端 API。11. 总结与下一步回到最初的问题这个项目值不值得选作毕业设计或课程设计答案是值得前提是你要理解它解决的核心问题。它不是“套壳大模型”的演示项目而是把 RAG 的知识检索、LangChain 的流程编排、Neo4j 的知识表示、FastAPI 的接口工程、Vue3 的前端交互整合成了一个完整系统。每一个环节都能展开成论文的一章也有独立的验证方法。最先应该验证的功能是把“问诊问答 知识图谱查询”这条链路跑通。最容易踩的坑有三个Neo4j 没启动导致图查询报错、向量库没有构建导致 RAG 检索为空、前端请求后端的跨域和地址配置不对。下一步可以继续扩展的方向包括接入更完整的医学知识库、增加多轮对话上下文重写、把检索结果按置信度排序、加入用户反馈按钮形成数据闭环或者把本地大模型接入进来做纯本地部署。这些方向既可以继续作为毕业设计的深化内容也可以作为后续简历项目的能力亮点。如果你正在选毕业设计题目建议直接把这个项目作为起点先跑通再按自己的思路做改进。跑通一个完整系统比只看论文和教程的收获大得多。 
长河君 · 2026/8/31 12:14:48 · 阅读 1.2k RAG+Neo4j医疗问答系统：LangChain与FastAPI全栈实践
最近实训/毕业设计阶段医疗问答、医疗知识库这类选题热度一直很高。很多人一上来就堆大模型 API结果答辩时导师问“你的系统除了调接口还有什么”一时答不上来。这次看的这个项目思路不太一样它把RAG 检索增强生成、LangChain 工作流、Neo4j 知识图谱、FastAPI 后端和 Vue3 前端串成了一个完整的医疗问诊平台免费可用特别适合 Python 大模型方向的毕业设计或课程设计。先说最值得关注的几个点一是RAG 让大模型回答有据可依不再是纯靠模型“编”医疗场景下这一点很重要二是Neo4j 知识图谱把疾病、症状、药物、科室之间的关联关系可视化作为系统亮点去答辩很有说服力三是FastAPI 提供标准接口前端 Vue3 可以直接对接前后端分离的思路完整能展示工程能力。硬件门槛方面如果使用本地小模型做 embedding 和 LLM 推理普通 8G 显存显卡就可以起步如果调用云端 API一张普通开发机都够。本文会带你把环境准备、项目启动、功能测试、接口调用、批量任务这几个环节全部过一遍。适合谁来读正在选毕业设计题目的本科生、想做 AI 应用方向课设的研究生、以及想快速搭一套“RAG 知识图谱 前后端分离”演示系统的开发者。这套技术栈组合放到简历里覆盖面也比较广。1. 核心能力速览能力项说明项目类型AI 智能医疗问诊平台前后端分离全栈项目核心技术栈RAG、LangChain、Neo4j、FastAPI、Vue3、Python主要功能医疗症状咨询、疾病知识问答、知识图谱可视化、科室推荐、用药与注意事项检索大模型接入可接入云端大模型 API也可替换为本地模型向量检索通过 Embedding 模型 向量库实现 RAG 检索增强知识存储医学文本知识库 Neo4j 图数据库实体关系存储后端框架FastAPI提供 RESTful API 接口前端框架Vue3可选 Element Plus / ECharts 等组件库启动方式后端 Uvicorn 启动前端 npm 启动需先启动 Neo4j是否支持 API支持FastAPI 自带 Swagger 文档是否支持批量任务支持可批量导入医学知识、批量问答测试适合场景毕业设计、课程设计、RAG 入门项目、知识图谱应用演示说明上表中的具体参数比如模型名称、端口号、向量库类型要根据你拉取到的项目 README 或配置目录最终确认。下面所有命令都是通用部署模板按实际项目结构替换路径即可。2. 适用场景与使用边界这个项目适合三类人。第一类毕业设计选题是“大模型 垂直行业应用”的同学。医疗问答是典型场景RAG 解决大模型幻觉问题Neo4j 解决知识关联展示问题FastAPI Vue3 解决系统完整性问题每一层都有明确“工作量”可写进论文。第二类想快速理解 RAG 工程链路的开发者。从文档加载、文本切分、向量化、检索、重排、Prompt 组装到生成回答整个链路在这个项目里能跑通并且能看到每一步的输入输出。第三类需要演示知识图谱价值的开发者。Neo4j 里疾病、症状、药物、科室之间的多跳关系比传统关系型数据库的表格展示直观得多做系统演示时效果明显。使用边界这里必须说清楚不能用于真实医疗诊断。这个项目定位是学习演示和科研原型不是医疗器械不能给真实患者提供诊疗建议。系统输出只能作为“参考信息”不能作为处方依据。数据隐私必须控制。如果导入真实病历或患者数据必须提前脱敏并遵守相关数据保护法规。建议课程设计和毕业设计阶段只使用公开医学知识库和模拟数据。模型输出需要人工复核。RAG 只能降低幻觉概率不能完全消除。系统里应该保留“AI 生成内容仅供参考”的免责提示答辩时这也是一个加分点。商用需谨慎。医疗 AI 商业化有严格的资质要求和审查流程这个项目作为学习范本没有问题但不要直接包装成商用产品。3. 系统架构与核心流程在动手部署前先理解这个项目的整体结构后面排查问题时会更清楚。3.1 整体技术分层这个项目的典型分层结构大致如下前端层Vue3 Vite Element Plus ECharts ↓ HTTP 请求 接口层FastAPI Uvicorn ↓ 业务服务层 1. RAG 问答服务LangChain 编排 2. 知识图谱查询服务Neo4j Cypher 3. 用户会话服务可选对接关系型数据库 ↓ 数据层 - 文档知识库 → 加载 → 切分 → Embedding → 向量存储 - 结构化医疗数据 → Neo4j 图数据库 - 大模型服务云端 API 或本地推理服务前端负责对话界面、知识图谱可视化、问诊表单和结果展示FastAPI 负责接收请求、编排 RAG 流程、查询知识图谱、返回统一 JSONNeo4j 负责存储和查询疾病、症状、药品、科室等实体关系LangChain 把“检索 — 组装 Prompt — 调用大模型 — 输出回答”串成一条可维护的链路。3.2 RAG 问答链路这个项目的核心是 RAG整体流程可以这样理解知识入库把医学教材、公开疾病百科、药品说明书等文档放入指定目录。文档加载与切分LangChain 读取文档按标题、段落或固定 chunk_size 切分。向量化调用 Embedding 模型把文本块转成向量并存入向量数据库。用户提问用户输入症状或疾病描述。检索召回把用户问题向量化在向量库中检索 TopK 相关文本块。重排与组装把检索结果作为上下文与系统提示词、用户问题组装成最终 Prompt。生成回答大模型基于提供的上下文生成回答并可在回答后面附上参考来源。为什么要做 RAG而不是直接让大模型回答因为医疗场景对准确性要求高直接用大模型“背”答案容易出现事实性错误。RAG 让模型“先查资料再回答”问题对应的知识来自本地知识库而不是模型参数记忆提高可解释性。3.3 知识图谱问答链路Neo4j 在系统里承担“关系查询 知识推理”的职责。常见查询包括“感冒有哪些症状”“头痛应该挂哪个科室”“某某药物和某某药物能否同服”“糖尿病患者需要注意什么”这些查询如果用传统关系型数据库做需要多次 JOIN而且关系深了以后 SQL 会非常复杂。Neo4j 用 Cypher 直接遍历关系// 示例查询与糖尿病相关的症状节点 MATCH (d:疾病 {name: 糖尿病})-[:关联症状]-(s:症状) RETURN s.name LIMIT 20项目里通常会预置一批 Cypher 查询模板把用户问题通过规则或大模型映射成对应的图查询再把查询结果拼进回答上下文。这部分做好了答辩时可以重点展示知识图谱如何增强回答的解释性。4. 环境准备与前置条件部署这个项目需要的环境比较多建议按照下面清单准备。4.1 硬件基础要求资源建议配置CPU4 核以上纯 CPU 推理可用但速度慢内存16GB 以上推荐 32GBNeo4j 向量检索 大模型同时运行需要显卡如果本地跑 LLM建议 8GB 以上显存只跑 embedding 则 4GB 就够磁盘至少 20GB 剩余空间Neo4j 数据 Python 环境 前端依赖 模型文件如果你的方案是调用云端大模型 API那么显卡要求可以忽略普通开发笔记本即可。4.2 软件环境清单软件用途版本建议Python后端开发3.10 或 3.11Neo4j图数据库社区版 5.x 即可Node.js前端构建18 或 20 LTSMySQL 或 SQLite用户/会话数据存储如项目需要按项目 README 决定Git拉取项目代码最新稳定版IDE 推荐 VS Code装好 Python、Vue 插件。数据库可视化工具可以准备 DBeaver 或 Neo4j Browser方便查看图数据。5. 安装部署与启动方式这个项目涉及多个服务启动顺序建议是先启动 Neo4j再启动后端 FastAPI最后启动前端 Vue3。5.1 获取项目代码# 把项目克隆到本地网址以你找到的项目仓库为准 git clone 项目仓库地址 cd 项目目录如果你的项目是通过网盘下载压缩包解压后注意路径不能包含中文避免依赖安装时出现编码问题。5.2 启动 Neo4j 图数据库Neo4j 是知识图谱的存储引擎必须最先启动。安装方式有两种。第一种是桌面安装直接下载 Neo4j Desktop创建新数据库即可。第二种是 Docker 方式开发环境比较推荐docker run -d \ --name neo4j \ -p 7474:7474 \ -p 7687:7687 \ -e NEO4J_AUTHneo4j/yourpassword \ neo4j:5-community启动后访问http://localhost:7474用neo4j和设置的密码登录然后在 Neo4j Browser 里执行项目提供的 Cypher 初始化脚本导入疾病、症状、药品、科室等节点和关系。如果项目的初始化脚本是.cypher文件也可以用命令行执行# 以 neo4j-admin 方式导入实际路径按你的安装位置调整 neo4j-admin database import full \ --nodes节点CSV路径 \ --relationships关系CSV路径 \ --databaseneo4j更常见的做法是项目里有 Python 脚本通过neo4jPython 驱动批量写入数据python scripts/init_graph.py启动后端前先在 Neo4j Browser 里确认知识图谱数据已经存在否则后面查询为空。5.3 配置并启动后端 FastAPI先创建 Python 虚拟环境并安装依赖cd backend # 创建虚拟环境避免污染系统 Python python -m venv venv # Windows venv\Scripts\activate # Linux / macOS source venv/bin/activate # 安装依赖 pip install -r requirements.txt如果 requirements.txt 里包含fastapi、uvicorn、langchain、neo4j、openai、sentence-transformers等常见包国内网络环境下建议配置 pip 镜像加速pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple安装完成后检查项目里是否有.env或config.py之类的配置文件。通常需要配置Neo4j 连接地址、用户名、密码。大模型 API Key、Base URL、模型名称。Embedding 模型名称或本地路径。向量数据库地址。运行端口。配置完成后启动后端服务uvicorn main:app --host 0.0.0.0 --port 8000 --reload启动成功后在浏览器访问http://127.0.0.1:8000/docs如果能看到 Swagger 接口文档页面说明 FastAPI 后端已经正常运行。5.4 启动前端 Vue3打开新的终端进入前端目录cd frontend # 安装依赖 npm install # 如果依赖多或网络慢可以换淘宝镜像源 npm install --registryhttps://registry.npmmirror.com # 启动开发服务器 npm run dev启动后终端会显示本地访问地址一般是http://localhost:5173。打开页面如果能看到登录页或问诊对话页说明前端已经跑起来了。5.5 联调验证前后端都启动后需要确认前端能正常请求后端接口。在 Vue3 项目中后端地址通常配置在.env.development文件里# 前端开发环境配置 VITE_API_BASE_URLhttp://127.0.0.1:8000确认配置无误后在前端页面发起一次问诊测试。如果浏览器控制台出现跨域报错需要在 FastAPI 后端的配置中加上 CORS 中间件允许前端地址访问from fastapi.middleware.cors import CORSMiddleware app.add_middleware( CORSMiddleware, allow_origins[http://localhost:5173], allow_credentialsTrue, allow_methods[*], allow_headers[*], )代码块示例实际以项目现有代码为准。到这里一套完整的“Neo4j FastAPI Vue3 RAG”系统就起来了。6. 功能测试与效果验证系统跑通后逐个验证核心功能。6.1 医疗问诊对话测试这是系统的主入口。测试步骤如下在前端对话输入框输入“我最近头痛、发热、咳嗽可能是什么问题”观察前端是否返回结构化回答。观察回答中是否包含症状解释、可能疾病、建议科室。检查回答末尾是否引用知识库来源。预期结果是模型结合 RAG 检索到的医学文本 图谱查询到的关系信息生成一段带参考依据的回答而不是直接凭“记忆”输出。判断成功标准回答内容与知识库中的疾病、症状描述一致且没有明显错误或过度断言。如果回答质量很差优先检查知识库文档是否成功向量化并入库。检索 TopK 是否过小比如只检索了 2 个文本块信息量不足。系统 Prompt 是否约束了回答范围。6.2 RAG 知识库检索效果测试如果项目提供了独立的“知识库管理”或“检索测试”页面可以单独测试检索效果。输入查询“高血压患者饮食注意事项”预期能返回知识库中相关的高血压饮食建议文本块。如果没有独立页面可以在 Python 脚本里直接调用检索函数测试from langchain.embeddings import OpenAIEmbeddings from langchain.vectorstores import FAISS # 按实际项目路径和模型名称修改 embeddings OpenAIEmbeddings(modeltext-embedding-ada-002) vectorstore FAISS.load_local( ./vectorstore, embeddings, allow_dangerous_deserializationTrue ) query 高血压患者饮食注意事项 docs vectorstore.similarity_search(query, k5) for i, doc in enumerate(docs): print(fTop {i 1}: {doc.page_content[:100]}) print(---)这一步主要验证两个问题一是文档切分是否合理二是语义检索能不能找到真正相关的文本块。如果检索结果不相关需要检查 embedding 模型是否选对、文档内容是否和问题领域一致。6.3 知识图谱问答测试在 Neo4j Browser 里执行几条 Cypher 查询验证图谱数据完整性// 查看所有节点类型 CALL db.labels(); // 查看所有关系类型 CALL db.relationshipTypes(); // 查询感冒节点及其关联关系 MATCH (d:疾病 {name: 感冒})-[r]-(n) RETURN d.name AS disease, type(r) AS relation, n.name AS related_node LIMIT 30;如果在 SQL 式的关系型数据库里做同样查询需要关联疾病表、症状表、药品表、科室表SQL 很长而在 Neo4j 里只是几条 Cypher 语句。这也是知识图谱在关联查询上的核心优势。如果项目前端集成了知识图谱可视化组件在页面上应该能看到“疾病 — 症状 — 药品 — 科室”节点组成的关系图节点可以点击展开。验证时重点看节点是否有数据、关系是否正确、图是否卡顿。6.4 多轮对话与上下文测试测试场景第一轮问“我最近总是失眠”。第二轮问“应该挂什么科”。第三轮问“需要注意什么”。预期结果是模型能识别第二轮的“应该挂什么科”是指“失眠应该挂什么科”而不是独立回答。RAG 检索时如果只检索当前轮次问题往往会丢失上下文所以支持多轮对话的项目通常会增加“历史对话重写”环节把多轮对话压缩成包含上下文的独立问题再去做检索。如果发现多轮效果差改进方向有两个一是把历史对话拼接进 Prompt让模型理解当前问题二是单独调用大模型把“前几轮 当前问题”重写为独立问题再做检索。6.5 知识库扩展测试如果你有额外的医学知识文档可以放入知识库目录执行知识库更新脚本再测试新内容能否被检索到。这个步骤在毕业设计中可以写成“知识库动态更新”功能工程上很有价值。7. 接口 API 与批量任务FastAPI 自带 Swagger 文档这是项目展示时很好用的一点。打开http://127.0.0.1:8000/docs可以看到所有接口的定义、参数和返回格式演示效果直观。7.1 核心接口示例项目常见的接口包括以下几个方面。以下接口路径是通用示例实际路径以项目代码为准# 问诊接口示例 app.post(/api/chat) async def chat(request: ChatRequest): # 1. 根据用户问题检索知识库 # 2. 查询知识图谱 # 3. 组装 Prompt # 4. 调用大模型生成回答 return {answer: result} # 知识库上传接口示例 app.post(/api/knowledge/upload) async def upload_knowledge(file: UploadFile): # 解析文档并写入向量库 return {status: success} # 知识图谱查询接口示例 app.get(/api/graph/disease/{name}) async def get_disease_graph(name: str): # 查询疾病关联关系 return {nodes: nodes, relations: relations}7.2 使用 curl 测试接口curl -X POST http://127.0.0.1:8000/api/chat \ -H Content-Type: application/json \ -d {question: 我最近头痛发热咳嗽可能是什么问题}返回结果一般是 JSON 格式{ answer: 根据您提供的症状信息常见可能性包括上呼吸道感染、感冒等。建议先测量体温多休息。如果症状持续建议前往呼吸内科就诊。, sources: [doc1.pdf, doc2.txt], nodes: [感冒, 头痛, 发热] }7.3 使用 Python 调用接口import requests url http://127.0.0.1:8000/api/chat payload { question: 胃痛应该挂哪个科室, history: [] } response requests.post(url, jsonpayload, timeout60) data response.json() print(data[answer])7.4 批量问答与数据导入批量任务在这个项目里主要有两类。第一类批量文档导入。把多份医学文档放入输入目录脚本统一加载、切分、向量化写入向量库。建议设计成“输入目录 输出日志”的方式import os from pathlib import Path input_dir Path(./knowledge_docs) for doc_path in input_dir.glob(*.txt): print(f正在处理: {doc_path.name}) # 1. 加载文档 # 2. 切分文本 # 3. 生成向量 # 4. 写入向量库 # 5. 记录日志批量导入的关键是失败重试和日志记录。单个文件解析失败时不应该中断整个批处理流程而是记录错误并继续处理下一个文件。第二类批量问答测试。准备一组测试问题和预期关键词批量调用接口检查回答是否包含预期内容。这个可以用来量化评估 RAG 系统的检索准确率写论文时很有用。import json import time import requests BASE_URL http://127.0.0.1:8000/api/chat test_cases [ {question: 感冒有什么症状, expected_keywords: [发热, 咳嗽]}, {question: 头痛挂什么科, expected_keywords: [神经内科]}, {question: 糖尿病患者饮食注意事项, expected_keywords: [控糖]}, ] for case in test_cases: resp requests.post(BASE_URL, json{question: case[question]}, timeout60) answer resp.json().get(answer, ) hit [kw for kw in case[expected_keywords] if kw in answer] status PASS if hit else FAIL print(f[{status}] {case[question]} 命中关键词: {hit}) time.sleep(1)8. 资源占用与性能观察运行这套系统资源占用主要来自四个部分Neo4j 图数据库、Python 后端、向量检索服务和前端开发服务器。8.1 Neo4j 资源占用Neo4j 启动后通常会占用 1GB 到 3GB 内存具体取决于导入的数据量。如果配置不高可以在neo4j.conf中调低内存参数# 限制 Neo4j 堆内存单位是字节或缩写 server.memory.heap.initial_size512m server.memory.heap.max_size1g server.memory.pagecache.size512m注意调低内存后复杂 Cypher 查询可能变慢需要根据机器配置权衡。8.2 后端与模型推理资源占用如果使用云端大模型 API后端进程本身占用很小主要内存消耗来自加载 embedding 模型和向量库。embedding 模型一般占用 1GB 到 2GB 内存。如果使用本地大模型推理显存占用就会大幅上升。以 7B 量化模型为例常见情况下需要 6GB 到 10GB 显存。具体数字要按你使用的模型、量化方式和推理框架来测。8.3 降低资源占用的手段如果只做演示优先使用云端 API本地只跑 FastAPI。embedding 模型可以选更小的比如bge-small-zh比bge-large-zh更省内存中文效果也不错。向量检索库如果量不大用 FAISS 本地模式就够没必要单独部署向量数据库服务。Neo4j 只保留演示必要的数据不要一次性导入海量语料。8.4 性能观察方法后端 Uvicorn 启动后观察 Python 进程的内存变化。调用批量问答脚本时用nvidia-smi或任务管理器观察显存变化。前端知识图谱渲染大量节点时如果页面卡顿适当限制节点返回数量比如 Cypher 查询后面加上LIMIT 100。接口响应时间可以先记录单次问答时长再对比知识库检索命中后和未命中时的差异。9. 常见问题与排查方法9.1 启动与访问问题问题现象可能原因排查方式解决方案后端启动后接口文档打不开端口被占用或启动失败查看终端报错检查 8000 端口更换端口或结束占用进程前端页面打不开Node 依赖未装好或端口冲突查看 npm run dev 输出删除 node_modules 重装或换端口前端请求后端报跨域错误后端未配置 CORS打开浏览器控制台看具体报错在 FastAPI 中配置 CORSMiddlewareNeo4j 登录不进去密码错误或数据库未启动检查 Docker 容器状态重置密码或重启容器9.2 依赖安装问题“pip install 很慢”或“安装超时”是国内最常见的问题换国内镜像源即可pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simplenpm 同理npm config set registry https://registry.npmmirror.com如果某些包安装时要求编译比如hnswlib、sentence-transformers的部分依赖需要确认本机安装了对应版本的 C 编译工具链。安装失败时优先搜索错误信息中的关键包名。9.3 模型与知识库问题问题现象可能原因排查方式解决方案回答中看不到知识库内容文档没有向量化或向量库为空检查向量库目录大小重新执行知识库构建脚本检索结果不相关切分粒度太大或 embedding 模型不合适打印检索结果查看调整 chunk_size更换 embedding 模型回答内容明显错误RAG 上下文不足或系统提示词约束弱检查最终 Prompt 中的上下文增加检索数量优化提示词知识图谱查询结果为空Cypher 初始化脚本未执行在 Neo4j Browser 手动执行重新导入图数据查询速度慢图数据量大或缺少索引查看 EXPLAIN 输出为常用属性创建索引Neo4j 创建索引的示例CREATE INDEX disease_name_index FOR (d:疾病) ON (d.name); CREATE INDEX symptom_name_index FOR (s:症状) ON (s.name);9.4 大模型调用问题问题现象可能原因排查方式解决方案接口返回 401API Key 错误或过期检查 .env 配置更新 API Key接口返回超时模型输入太长或网络问题查看 FastAPI 日志缩短上下文长度加大超时时间本地模型加载慢模型文件大或磁盘慢观察内存和显存占用使用量化版本放在 SSD 上输出内容被截断max_tokens 设得太小查看返回的 finish_reason调整 max_tokens 参数9.5 批量任务卡住批量导入知识文档时如果脚本长时间没有输出很可能是单条数据解析卡住。建议给每条文档处理逻辑加上超时控制并使用日志查看当前处理到哪个文件。批量问答测试同理逐条打印结果而不是全部完成后一次性输出。10. 最佳实践与使用建议10.1 工程化建议第一次跑通后建议做几件事先保留一套最小可运行配置。把 Neo4j 连接、模型 API、向量库路径写进.env文件提交一份.env.example到代码库方便换机器部署。再整理目录结构。模型文件、输入素材、输出结果分开存放。建议目录结构如下project/ ├── backend/ │ ├── app/ │ ├── scripts/ │ ├── requirements.txt │ └── .env ├── frontend/ │ ├── src/ │ └── package.json ├── data/ │ ├── knowledge_docs/ │ ├── graphs/ │ └── outputs/ └── README.mdRAG 调优时建议固定变量。先固定模型、固定文档只调整 chunk_size 和检索 TopK记录每次调整后的问答效果。不要同时改多个参数否则无法判断是谁影响的结果。10.2 医疗场景数据合规医疗 AI 项目必须把合规放在第一位演示数据必须脱敏。任何真实患者姓名、身份证号、联系方式都不能出现在知识库和演示数据中。使用公开医学知识库时注意确认来源和授权。即使是公开内容在毕业设计文档里也应该标注参考来源。系统界面需要显示“AI 生成内容仅供参考不构成医疗建议”的提示。这不是形式而是医疗 AI 应用的基本边界。如果需要接入真实医疗数据做研究需要走正规的伦理审查和数据授权流程不能自行采集。10.3 答辩与演示准备毕业设计答辩时系统演示和论文写作都需要提前准备演示数据量控制在能“秒回”的范围。演示现场不需要展示大量数据导入过程重点展示效果。准备 2 到 3 个“有对比”的用例。比如同一个问题直接问大模型和 RAG 增强后回答的差异。这种对比最能体现 RAG 的价值。知识图谱的可视化页面值得多花时间打磨。Neo4j 图结构本身就具有展示优势答辩时讲清楚“实体 — 关系 — 查询”的链路比讲一堆模型结构更容易让评委理解。论文里画好系统架构图和数据流程图把 RAG 和知识图谱两条链路分别画清楚。10.4 模型选型建议如果你打算把大模型替换成本地部署推荐路线是先从 “云端 API 小 embedding 模型” 开始尽早跑通全流程。再尝试把 LLM 替换成本地模型。优先选择中文表现好的量化模型。显存不足时使用 CPU 推理或更小的量化版本或者直接放弃本地 LLM继续使用云端 API。11. 总结与下一步回到最初的问题这个项目值不值得选作毕业设计或课程设计答案是值得前提是你要理解它解决的核心问题。它不是“套壳大模型”的演示项目而是把 RAG 的知识检索、LangChain 的流程编排、Neo4j 的知识表示、FastAPI 的接口工程、Vue3 的前端交互整合成了一个完整系统。每一个环节都能展开成论文的一章也有独立的验证方法。最先应该验证的功能是把“问诊问答 知识图谱查询”这条链路跑通。最容易踩的坑有三个Neo4j 没启动导致图查询报错、向量库没有构建导致 RAG 检索为空、前端请求后端的跨域和地址配置不对。下一步可以继续扩展的方向包括接入更完整的医学知识库、增加多轮对话上下文重写、把检索结果按置信度排序、加入用户反馈按钮形成数据闭环或者把本地大模型接入进来做纯本地部署。这些方向既可以继续作为毕业设计的深化内容也可以作为后续简历项目的能力亮点。如果你正在选毕业设计题目建议直接把这个项目作为起点先跑通再按自己的思路做改进。跑通一个完整系统比只看论文和教程的收获大得多。