在图数据库上构建问答应用
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向图数据库中的数据提出问题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。请确保你的数据库连接权限始终尽可能狭窄地限定在你的链/代理所需范围。这将减轻但不消除构建模型驱动的系统的风险。有关一般安全最佳实践的更多信息，请参阅此处.
架构
从高层次上讲，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
提示
请参阅 本节了解有关安装集成包的一般说明.
- npm
- yarn
- pnpm
npm i langchain @langchain/community @langchain/openai neo4j-driver
yarn add langchain @langchain/community @langchain/openai neo4j-driver
pnpm add langchain @langchain/community @langchain/openai neo4j-driver
设置环境变量
我们将在本例中使用 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。请遵循 这些安装步骤 来设置 Neo4j 数据库。
NEO4J_URI="bolt://localhost:7687"
NEO4J_USERNAME="neo4j"
NEO4J_PASSWORD="password"
以下示例将创建一个与 Neo4j 数据库的连接，并使用有关电影及其演员的示例数据填充它。
import "neo4j-driver";
import { Neo4jGraph } from "@langchain/community/graphs/neo4j_graph";
const url = Deno.env.get("NEO4J_URI");
const username = Deno.env.get("NEO4J_USER");
const password = Deno.env.get("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。当你实例化一个图对象时，它会检索有关图模式的信息。如果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)
很好！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，它接受一个问题，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 附带了一个内置的链，用于此工作流程，旨在与 Neo4j 一起使用：GraphCypherQAChain
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" }
后续步骤
对于更复杂的查询生成，我们可能想要创建少样本提示或添加查询检查步骤。有关此类高级技术和更多信息，请查看