使用Memgraph和LangChain构建自然语言查询接口

最新推荐文章于 2024-09-11 18:01:31 发布

ahdfwcevnhrtds

最新推荐文章于 2024-09-11 18:01:31 发布

阅读量468

点赞数 9

文章标签： langchain python

本文链接：https://blog.csdn.net/ahdfwcevnhrtds/article/details/142008013

版权

使用Memgraph和LangChain构建自然语言查询接口

引言

Memgraph是一款开源图数据库，兼容Neo4j，使用Cypher图查询语言进行数据查询。本文将介绍如何利用大语言模型（LLM）为Memgraph数据库提供自然语言接口。完成本教程需要安装Docker和Python 3.x，并确保有一个运行中的Memgraph实例。

主要内容

设置环境

首先，我们需要运行Memgraph实例。你可以使用以下命令快速启动Memgraph Platform（包含Memgraph数据库、MAGE库和Memgraph Lab）：

在Linux/MacOS上：

curl https://install.memgraph.com | sh

在Windows上：

iwr https://windows.memgraph.com | iex

这两个命令会运行一个脚本，下载Docker Compose文件到你的系统，并在两个独立的容器中构建和启动memgraph-mage和memgraph-lab服务。更多安装信息请参考Memgraph文档.

安装必要的Python包

使用pip安装所有必要的包：

pip install langchain langchain-openai neo4j gqlalchemy --user

然后在你的Python脚本中导入这些包：

import os
from gqlalchemy import Memgraph
from langchain.chains import GraphCypherQAChain
from langchain_community.graphs import MemgraphGraph
from langchain_core.prompts import PromptTemplate
from langchain_openai import ChatOpenAI

建立Memgraph连接

我们利用GQLAlchemy库在Python脚本中与Memgraph数据库建立连接：

memgraph = Memgraph(host="127.0.0.1", port=7687)

填充数据库

使用Cypher查询语言可以轻松填充新的空数据库。以下脚本将数据库填充关于一款电子游戏的信息，包括发布者、可用平台和类型：

query = """
    MERGE (g:Game {name: "Baldur's Gate 3"})
    WITH g, ["PlayStation 5", "Mac OS", "Windows", "Xbox Series X/S"] AS platforms,
            ["Adventure", "Role-Playing Game", "Strategy"] AS genres
    FOREACH (platform IN platforms |
        MERGE (p:Platform {name: platform})
        MERGE (g)-[:AVAILABLE_ON]->(p)
    )
    FOREACH (genre IN genres |
        MERGE (gn:Genre {name: genre})
        MERGE (g)-[:HAS_GENRE]->(gn)
    )
    MERGE (p:Publisher {name: "Larian Studios"})
    MERGE (g)-[:PUBLISHED_BY]->(p);
"""

memgraph.execute(query)

刷新图模式

可以使用以下脚本实例化Memgraph-LangChain图，并刷新图模式：

graph = MemgraphGraph(url="bolt://localhost:7687", username="", password="")
graph.refresh_schema()
print(graph.schema)

查询数据库

配置OpenAI API密钥作为环境变量：

os.environ["OPENAI_API_KEY"] = "your-key-here"

创建图链，用于基于图数据进行问答：

chain = GraphCypherQAChain.from_llm(
    ChatOpenAI(temperature=0), graph=graph, verbose=True, model_name="gpt-3.5-turbo"
)

response = chain.run("Which platforms is Baldur's Gate 3 available on?")
print(response)

你可以继续尝试其他查询，如：

response = chain.run("Is Baldur's Gate 3 available on Windows?")
print(response)

常见问题和解决方案

查询结果不准确

有时生成的Cypher查询与用户问题之间存在不一致。这可能是由于用户感知与数据存储方式之间的不匹配。可以通过提示优化（Prompt Refinement）来解决这个问题。以下是一个示例：

CYPHER_GENERATION_TEMPLATE = """
Task:Generate Cypher statement to query a graph database.
Instructions:
Use only the provided relationship types and properties in the schema.
Do not use any other relationship types or properties that are not provided.
Schema:
{schema}
Note: Do not include any explanations or apologies in your responses.
Do not respond to any questions that might ask anything else than for you to construct a Cypher statement.
Do not include any text except the generated Cypher statement.
If the user asks about PS5, Play Station 5 or PS 5, that is the platform called PlayStation 5.

The question is:
{question}
"""

CYPHER_GENERATION_PROMPT = PromptTemplate(
    input_variables=["schema", "question"], template=CYPHER_GENERATION_TEMPLATE
)

chain = GraphCypherQAChain.from_llm(
    ChatOpenAI(temperature=0),
    cypher_prompt=CYPHER_GENERATION_PROMPT,
    graph=graph,
    verbose=True,
    model_name="gpt-3.5-turbo",
)

response = chain.run("Is Baldur's Gate 3 available on PS5?")
print(response)