构建一个基于图数据库的问答应用
在本指南中，我们将介绍如何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对图数据库中的数据进行提问，并获得自然语言的答案。
⚠️ 安全提示 ⚠️
构建图数据库的问答系统需要执行由模型生成的图查询。这存在一定的风险。请确保您的数据库连接权限始终根据链/代理的需求尽可能缩小范围。这将降低（但不能完全消除）构建模型驱动系统的风险。有关通用安全最佳实践的更多信息，请点击此处。
架构
从高层次来看，大多数图链的步骤如下：
- 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：模型根据查询结果回应用户输入。
准备工作
安装依赖
:::提示 请参阅安装集成包的一般说明部分。 :::
- 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
本例中我们将使用 OpenAI：
OPENAI_API_KEY=your-api-key
# 可选，使用LangSmith以获得最佳可观测性
LANGSMITH_API_KEY=your-api-key
LANGSMITH_TRACING=true
# 如果不在无服务器环境中，减少追踪延迟
# LANGCHAIN_CALLBACKS_BACKGROUND=true
接下来，我们需要定义 Neo4j 的凭证。 请按照这些安装步骤设置 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，并使用关于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 = process.env.NEO4J_URI;
const username = process.env.NEO4J_USERNAME;
const password = process.env.NEO4J_PASSWORD;
const graph = await Neo4jGraph.initialize({ url, username, password });
// 导入电影信息
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
为了让 LLM 能够生成 Cypher 语句，它需要有关图模式的信息。当您实例化一个图对象时，它会检索有关图模式的信息。如果您之后对图进行了任何更改，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！我们已经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，并使用结果回答原始问题。
LangChain 为此工作流提供了一个内置的链，专为与 Neo4j 配合使用而设计：GraphCypherQAChain。
本指南中使用的GraphCypherQAChain将在提供的数据库上执行Cypher语句。
在生产环境中，请确保数据库连接使用仅包含必要权限的狭域凭证。
否则可能导致数据损坏或丢失，因为调用代码可能会尝试执行删除、数据修改命令，或者在数据库中存在敏感数据的情况下读取敏感数据。
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，我们可能需要创建少量样本提示或添加查询检查步骤。有关此类高级技术和其他技术，请参阅：