在图数据库上构建问答应用程序
在本指南中，我们将介绍在图数据库上创建问答链的基本方法。这些系统将允许我们询问图数据库中的数据并获得自然语言答案。
⚠️ 安全说明 ⚠️
构建图数据库的问答系统需要执行模型生成的图查询。这样做存在固有的风险。确保您的数据库连接权限始终尽可能严格地限定在您的链/代理的需求范围内。这将减轻，但不会消除构建模型驱动系统的风险。有关一般安全最佳实践的更多信息，请参阅此处。
架构
从高层次来看，大多数图链的步骤是
- 将问题转换为图数据库查询：模型将用户输入转换为图数据库查询（例如，Cypher）。
- 执行图数据库查询：执行图数据库查询。
- 回答问题：模型使用查询结果来响应用户输入。
设置
安装依赖项
- npm
- yarn
- pnpm
npm i langchain @langchain/community @langchain/openai @langchain/core neo4j-driver
yarn add langchain @langchain/community @langchain/openai @langchain/core neo4j-driver
pnpm add langchain @langchain/community @langchain/openai @langchain/core neo4j-driver
设置环境变量
我们将在本示例中使用 OpenAI
OPENAI_API_KEY=your-api-key
# Optional, use LangSmith for best-in-class observability
LANGSMITH_API_KEY=your-api-key
LANGCHAIN_TRACING_V2=true
# Reduce tracing latency if you are not in a serverless environment
# LANGCHAIN_CALLBACKS_BACKGROUND=true
接下来，我们需要定义 Neo4j 凭据。请按照这些安装步骤来设置 Neo4j 数据库。
NEO4J_URI="bolt://localhost:7687"
NEO4J_USERNAME="neo4j"
NEO4J_PASSWORD="password"
以下示例将创建与 Neo4j 数据库的连接，并将使用有关电影及其演员的示例数据填充数据库。
import "neo4j-driver";
import { Neo4jGraph } from "@langchain/community/graphs/neo4j_graph";
const url = process.env.NEO4J_URI;
const username = process.env.NEO4J_USER;
const password = process.env.NEO4J_PASSWORD;
const graph = await Neo4jGraph.initialize({ url, username, password });
// Import movie information
const moviesQuery = `LOAD CSV WITH HEADERS FROM
'https://raw.githubusercontent.com/tomasonjo/blog-datasets/main/movies/movies_small.csv'
AS row
MERGE (m:Movie {id:row.movieId})
SET m.released = date(row.released),
m.title = row.title,
m.imdbRating = toFloat(row.imdbRating)
FOREACH (director in split(row.director, '|') |
MERGE (p:Person {name:trim(director)})
MERGE (p)-[:DIRECTED]->(m))
FOREACH (actor in split(row.actors, '|') |
MERGE (p:Person {name:trim(actor)})
MERGE (p)-[:ACTED_IN]->(m))
FOREACH (genre in split(row.genres, '|') |
MERGE (g:Genre {name:trim(genre)})
MERGE (m)-[:IN_GENRE]->(g))`;
await graph.query(moviesQuery);
Schema refreshed successfully.
[]
图模式
为了使 LLM 能够生成 Cypher 语句，它需要有关图模式的信息。当您实例化图对象时，它将检索有关图模式的信息。如果您稍后对图进行任何更改，则可以运行 refreshSchema 方法来刷新模式信息。
await graph.refreshSchema();
console.log(graph.getSchema());
Node properties are the following:
Movie {imdbRating: FLOAT, id: STRING, released: DATE, title: STRING}, Person {name: STRING}, Genre {name: STRING}
Relationship properties are the following:
The relationships are the following:
(:Movie)-[:IN_GENRE]->(:Genre), (:Person)-[:DIRECTED]->(:Movie), (:Person)-[:ACTED_IN]->(:Movie)
太好了！我们现在有一个可以查询的图数据库。现在让我们尝试将其连接到 LLM。
链
让我们使用一个简单的链，它接收一个问题，将其转换为 Cypher 查询，执行查询，并使用结果来回答原始问题。
LangChain 提供了一个为此工作流程而构建的内置链，该链旨在与 Neo4j 一起使用：GraphCypherQAChain。
本指南中使用的GraphCypherQAChain 将针对提供的数据库执行 Cypher 语句。在生产环境中，请确保数据库连接使用范围狭窄的凭据，仅包含必要的权限。
如果未这样做，可能会导致数据损坏或丢失，因为调用代码可能会尝试执行导致删除、数据变异（如果适当地提示）或读取敏感数据（如果数据库中存在此类数据）的命令。
import { GraphCypherQAChain } from "langchain/chains/graph_qa/cypher";
import { ChatOpenAI } from "@langchain/openai";
const llm = new ChatOpenAI({ model: "gpt-3.5-turbo", temperature: 0 });
const chain = GraphCypherQAChain.fromLLM({
llm,
graph,
});
const response = await chain.invoke({
query: "What was the cast of the Casino?",
});
console.log(response);
{ result: "James Woods, Joe Pesci, Robert De Niro, Sharon Stone" }
下一步
对于更复杂的查询生成，我们可能需要创建少样本提示或添加查询检查步骤。有关此类高级技术以及更多内容，请查看