结合 LangChain 和 Neo4j 介绍 GraphRAG

在我关于 LLM 支持的应用程序环境中基于图形的技术的最新文章中，我们探讨了如何在多代理框架的上下文中利用这些数据结构。更具体地说，我们介绍了一个新的 LangChain 库 LangGraph，该库于 2024 年 1 月推出，基于图的数学对象作为代理应用程序的代表性框架。

LangGraph的主要目标是克服传统LangChain链的主要限制，即运行时缺乏循环；通过引入类似图的结构可以轻松绕过此限制，该结构可以轻松地将循环引入到链中，这些链在设计上是有向无环图（DAG）。

然而，图表也是在检索增强生成（RAG）场景中组织知识库的强大工具。更具体地说，它们增强了“检索”阶段并导致更有意义的上下文检索，最终结果是获得更准确的生成响应。为了实现这一目标，我们的想法是将知识库存储到基于图形的数据库（例如 Neo4j）中，利用 LLM 的语义能力来正确提取和映射实体和关系。

现在的问题是：我们该怎么做？幸运的是，LangChain 开发了一个名为LLMGraphTransformer 的强大库，其目的是将非结构化文本数据转换为基于图形的表示。

为了充分理解这个库的工作原理，我们首先回顾一下图的工作原理和相关术语。

图和图数据库

图是一种数学结构，用于模拟对象之间的成对关系。它由两个主要元素组成：节点和关系。

节点：节点可以看作传统数据库中的记录。每个节点代表一个对象或实体，例如一个人或一个地方。节点按标签进行分类，这有助于根据其角色对节点进行分类和查询，例如“客户”或“产品”。
关系：这些是节点之间的连接，定义不同实体之间的交互或关系。例如，一个人可以通过“