# 提升Graph-RAG查询生成的提示策略:实用指南
## 引言
在构建基于图形数据库的应用程序时,生成有效的查询至关重要。这篇文章旨在介绍如何优化提示策略,以便有效生成Cypher查询。我们将重点讨论如何在提示中获取与数据库特定信息相关的内容。
## 主要内容
### 安装与设置
首先,确保安装所需软件包并设置环境变量:
```bash
%pip install --upgrade --quiet langchain langchain-community langchain-openai neo4j
需要重启内核以使用更新的软件包。我们以OpenAI模型为默认,但你可以根据需要更换模型供应商。
import getpass
import os
os.environ["OPENAI_API_KEY"] = getpass.getpass()
连接Neo4j数据库
接下来,定义Neo4j凭据:
os.environ["NEO4J_URI"] = "bolt://localhost:7687"
os.environ["NEO4J_USERNAME"] = "neo4j"
os.environ["NEO4J_PASSWORD"] = "password"
使用示例数据创建数据库连接:
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)
过滤图形模式
有时,你可能需要在生成Cypher语句时专注于图形模式的特定子集。以下是如何排除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
)
Few-shot 示例
包括自然语言问题及其对应Cypher查询的例子有助于提升模型表现,尤其是对于复杂的查询:
examples = [
{
"question": "How many artists are there?",
"query": "MATCH (a:Person)-[:ACTED_IN]->(:Movie) RETURN count(DISTINCT a)"
},
...
]
创建Few-shot提示:
from langchain_core.prompts import FewShotPromptTemplate, PromptTemplate
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...",
suffix="User input: {question}\nCypher query: ",
input_variables=["question", "schema"],
)
动态Few-shot 示例
使用ExampleSelector
可以根据输入选择最相关的示例:
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"],
)
代码示例
以下是完整的代码示例,演示如何使用这些策略:
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: 在某些地区,API访问可能不稳定。建议使用API代理服务以提高访问稳定性。
- 示例选择: 选择相关示例时,需要注意查询复杂性和与问题的相关性。
总结和进一步学习资源
通过有效构建提示和使用动态示例选择技术,可以显著提升Cypher查询的生成效率。建议进一步研究以下资源:
参考资料
- LangChain 文档
- Neo4j 官方文档
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---