提升Graph-RAG的查询生成：有效提示策略

用户8718381347049
45 阅读3分钟

提升Graph-RAG的查询生成：有效提示策略

在本指南中，我们将探讨如何通过有效的提示策略来改善图数据库查询的生成过程。重点将放在如何在提示中获取与数据库相关的信息，以提高查询的准确性。

引言

Graph-RAG（Graph Retrieval-Augmented Generation）是一种使用图数据库进行查询生成的技术。为了生成准确的查询，我们需要设计有效的提示策略。本篇文章旨在提供实用的技巧和代码示例，以帮助开发者更好地与图数据库交互。

主要内容

环境设置

首先，我们需要安装必要的软件包并设置环境变量：

%pip install --upgrade --quiet langchain langchain-community langchain-openai neo4j

注意：可能需要重启内核以使用更新的软件包。

我们默认使用OpenAI模型，但可以根据需要更换模型提供商。

import getpass
import os

os.environ["OPENAI_API_KEY"] = getpass.getpass()

# 使用API代理服务提高访问稳定性
# os.environ["LANGCHAIN_API_KEY"] = getpass.getpass()
# os.environ["LANGCHAIN_TRACING_V2"] = "true"

接下来，定义Neo4j的凭证：

os.environ["NEO4J_URI"] = "bolt://localhost:7687"
os.environ["NEO4J_USERNAME"] = "neo4j"
os.environ["NEO4J_PASSWORD"] = "password"

示例代码将创建与Neo4j数据库的连接并填充有关电影和演员的数据：

from langchain_community.graphs import Neo4jGraph

graph = Neo4jGraph()

# 导入电影信息
movies_query = """
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))
"""

graph.query(movies_query)

筛选图模式

有时需要专注于图模式的特定子集生成Cypher语句。使用GraphCypherQAChain的exclude参数可以实现这一点：

from langchain.chains import GraphCypherQAChain
from langchain_openai import ChatOpenAI

llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0)
chain = GraphCypherQAChain.from_llm(
    graph=graph, llm=llm, exclude_types=["Genre"], verbose=True
)

Few-shot示例

通过在提示中包含自然语言问题转换为有效Cypher查询的示例，通常可以提高模型性能：

from langchain_core.prompts import FewShotPromptTemplate, PromptTemplate

examples = [
    {
        "question": "How many artists are there?",
        "query": "MATCH (a:Person)-[:ACTED_IN]->(:Movie) RETURN count(DISTINCT a)",
    },
    # 更多示例...
]

example_prompt = PromptTemplate.from_template(
    "User input: {question}\nCypher query: {query}"
)

prompt = FewShotPromptTemplate(
    examples=examples[:5],
    example_prompt=example_prompt,
    prefix="You are a Neo4j expert. Given an input question, create a syntactically correct Cypher query to run.\n\nHere is the schema information\n{schema}.\n\nBelow are a number of examples of questions and their corresponding Cypher queries.",
    suffix="User input: {question}\nCypher query: ",
    input_variables=["question", "schema"],
)

代码示例

llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0)
chain = GraphCypherQAChain.from_llm(
    graph=graph, llm=llm, cypher_prompt=prompt, verbose=True
)

result = chain.invoke("How many actors are in the graph?")
print(result)

常见问题和解决方案

  • 网络限制问题： 如果位于网络限制区域，考虑使用API代理服务。
  • 模型性能问题： 使用动态few-shot示例来优化模型上下文。

总结和进一步学习资源

通过有效的提示策略，可以大幅提高图数据库查询生成的精确性。建议进一步学习LangChain和Neo4j的文档以获取更深入的理解。

参考资料

如果这篇文章对你有帮助，欢迎点赞并关注我的博客。您的支持是我持续创作的动力！

---END---

avatar
文章
阅读
粉丝