# 引言
在现代应用中，图数据库越来越受欢迎。在众多图数据库中，Memgraph作为开源的选择，与Neo4j兼容，且使用Cypher语言进行查询。本文将探讨如何利用大语言模型(LLM)提供Memgraph数据库的自然语言接口。
# 主要内容
## 设置环境
要完成本教程，您需要安装Docker和Python 3.x。确保您有正在运行的Memgraph实例。快速启动Memgraph平台，您可以使用以下命令：
### 在Linux/MacOS上：
```bash
curl https://install.memgraph.com | sh
在Windows上：
iwr https://windows.memgraph.com | iex
这些命令将在您的系统上下载Docker Compose文件，并建立和启动memgraph-mage和memgraph-lab Docker服务。
安装必要的Python包
使用pip安装必要的包：
pip install langchain langchain-openai neo4j gqlalchemy --user
连接数据库
使用GQLAlchemy库建立与Memgraph的连接：
from gqlalchemy import Memgraph
memgraph = Memgraph(host="127.0.0.1", port=7687)
数据库填充
通过Cypher语言填充数据库：
query = """
MERGE (g:Game {name: "Baldur's Gate 3"})
WITH g, ["PlayStation 5", "Mac OS", "Windows", "Xbox Series X/S"] AS platforms,
["Adventure", "Role-Playing Game", "Strategy"] AS genres
FOREACH (platform IN platforms |
MERGE (p:Platform {name: platform})
MERGE (g)-[:AVAILABLE_ON]->(p)
)
FOREACH (genre IN genres |
MERGE (gn:Genre {name: genre})
MERGE (g)-[:HAS_GENRE]->(gn)
)
MERGE (p:Publisher {name: "Larian Studios"})
MERGE (g)-[:PUBLISHED_BY]->(p);
"""
memgraph.execute(query)
查询数据库
配置OpenAI API密钥：
import os
os.environ["OPENAI_API_KEY"] = "your-key-here"
创建GraphCypherQAChain以执行自然语言查询：
from langchain.chains import GraphCypherQAChain
from langchain_openai import ChatOpenAI
chain = GraphCypherQAChain.from_llm(
ChatOpenAI(temperature=0), graph=graph, verbose=True, model_name="gpt-3.5-turbo"
)
response = chain.run("Which platforms is Baldur's Gate 3 available on?")
print(response)
代码示例
response = chain.run("Which platforms is Baldur's Gate 3 available on?")
print(response)
response = chain.run("Is Baldur's Gate 3 available on Windows?")
print(response)
常见问题和解决方案
挑战：语句与数据不匹配
用户查询与数据库存储方式不一致，会导致无信息返回。通过提示优化，指导模型理解用户意图，生成精确查询。
解决方案：提示优化
from langchain_core.prompts import PromptTemplate
CYPHER_GENERATION_TEMPLATE = """
Task: Generate Cypher statement to query a graph database.
...
If the user asks about PS5, Play Station 5 or PS 5, that is the platform called PlayStation 5.
"""
CYPHER_GENERATION_PROMPT = PromptTemplate(
input_variables=["schema", "question"], template=CYPHER_GENERATION_TEMPLATE
)
chain = GraphCypherQAChain.from_llm(
ChatOpenAI(temperature=0),
cypher_prompt=CYPHER_GENERATION_PROMPT,
graph=graph,
verbose=True,
model_name="gpt-3.5-turbo",
)
response = chain.run("Is Baldur's Gate 3 available on PS5?")
print(response)
总结和进一步学习资源
通过利用LLM与Memgraph数据库结合，可以实现强大且灵活的自然语言查询接口。建议进一步阅读以下资源：
参考资料
- Memgraph Documentation: memgraph.com/docs
- Cypher Query Language: neo4j.com/developer/c…
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---
