LangChain-v0.2文档翻译：2.10、教程-基于图形数据库构建问答应用程序

1. 介绍
2. 教程
   2.1. 构建一个简单的 LLM 应用程序
   2.2. 构建一个聊天机器人
   2.3. 构建向量存储库和检索器
   2.4. 构建一个代理
   2.5. 构建检索增强生成 (RAG) 应用程序
   2.6. 构建一个会话式RAG应用程序
   2.7. 在SQL数据上构建一个问答系统
   2.8. 构建查询分析系统
   2.9. 基于查询分析系统构建一个本地RAG应用程序
   2.10. 基于图形数据库构建问答应用程序（点击查看原文）

---

在这个指南中，我们将介绍在图数据库上创建问答（Q&A）链的基本方法。这些系统将允许我们询问图数据库中的数据，并得到一个自然语言的答案。

⚠️ 安全注意事项 ⚠️

构建图数据库的问答系统需要执行模型生成的图形查询。这样做存在固有的风险。确保你的数据库连接权限始终尽可能地限定在你的链/代理的需求范围内。这将减轻但不能完全消除构建模型驱动系统的风险。

架构

在高层次上，大多数图链的步骤如下：

1. 将问题转换为图数据库查询：模型将用户输入转换为图数据库查询（例如 Cypher）。
2. 执行图数据库查询：执行图数据库查询。
3. 回答问题：模型使用查询结果响应用户输入。

设置

首先，获取所需的包并设置环境变量。
在这个例子中，我们将使用 Neo4j 图数据库。

%pip install --upgrade --quiet langchain langchain-community langchain-openai neo4j

我们在本指南中默认使用 OpenAI 模型。

import getpass
import os

os.environ["OPENAI_API_KEY"] = getpass.getpass()

# 取消注释以下内容以使用 LangSmith。不是必须的。
# os.environ["LANGCHAIN_API_KEY"] = getpass.getpass()
# os.environ["LANGCHAIN_TRACING_V2"] = "true"

接下来，我们需要定义 Neo4j 的凭据。按照这些安装步骤设置 Neo4j 数据库。

os.environ["NEO4J_URI"] = "bolt://localhost:7687"
os.environ["NEO4J_USERNAME"] = "neo4j"
os.environ["NEO4J_PASSWORD"] = "password"

下面的示例将创建与 Neo4j 数据库的连接，并使用有关电影及其演员的示例数据填充它。

from langchain_community.graphs import Neo4jGraph

graph = Neo4jGraph()

# 导入电影信息

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)

图形模式

为了让大型语言模型（LLM）能够生成 Cypher 语句，它需要了解图形架构的信息。当你实例化一个图对象时，它会检索有关图形架构的信息。如果你稍后对图进行了任何更改，可以运行 refresh_schema 方法来刷新模式信息。

graph.refresh_schema()
print(graph.schema)

Node properties are the following:
Movie {imdbRating: FLOAT, id: STRING, released: DATE, title: STRING},Person {name: STRING},Genre {name: STRING},Chunk {id: STRING, question: STRING, query: STRING, text: STRING, embedding: LIST}
Relationship properties are the following:

The relationships are the following:
(:Movie)-[:IN_GENRE]->(:Genre),(:Person)-[:DIRECTED]->(:Movie),(:Person)-[:ACTED_IN]->(:Movie)

太好了！我们现在有一个可以查询的图数据库。现在让我们尝试将其连接到一个大型语言模型。

链

让我们使用一个简单的链，它接受一个问题，将其转换为 Cypher 查询，执行查询，并使用结果来回答原始问题。

LangChain 提供了一个内置的链，用于这个工作流程，它被设计为与 Neo4j 一起工作：GraphCypherQAChain

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, verbose=True)
response = chain.invoke({"query": "What was the cast of the Casino?"})
response

[1m[> Entering new GraphCypherQAChain chain...[0m
Generated Cypher:
[32;1m[1;3mMATCH (:Movie {title: "Casino"})<-[:ACTED_IN]-(actor:Person)
RETURN actor.name[0m
Full Context:
[32;1m[1;3m[{'actor.name': 'Joe Pesci'}, {'actor.name': 'Robert De Niro'}, {'actor.name': 'Sharon Stone'}, {'actor.name': 'James Woods'}][0m

[1m[> Finished chain.[0m

{'query': 'What was the cast of the Casino?',
 'result': 'The cast of Casino included Joe Pesci, Robert De Niro, Sharon Stone, and James Woods.'}

验证关系方向

LLM 可能会难以处理生成的 Cypher 语句中的关系方向。由于图形模式是预定义的，因此我们可以使用该参数验证并选择性地更正生成的 Cypher 语句中的关系方向validate_cypher。

chain = GraphCypherQAChain.from_llm(
    graph=graph, llm=llm, verbose=True, validate_cypher=True
)
response = chain.invoke({"query": "What was the cast of the Casino?"})
response

[1m[> Entering new GraphCypherQAChain chain...[0m
Generated Cypher:
[32;1m[1;3mMATCH (:Movie {title: "Casino"})<-[:ACTED_IN]-(actor:Person)
RETURN actor.name[0m
Full Context:
[32;1m[1;3m[{'actor.name': 'Joe Pesci'}, {'actor.name': 'Robert De Niro'}, {'actor.name': 'Sharon Stone'}, {'actor.name': 'James Woods'}][0m

[1m[> Finished chain.[0m

{'query': 'What was the cast of the Casino?',
 'result': 'The cast of Casino included Joe Pesci, Robert De Niro, Sharon Stone, and James Woods.'}

下一步

对于更复杂的查询生成，我们可能需要创建少量示例提示或添加查询检查步骤。对于这类高级技术以及更多，请查看以下资源：

• 提示策略：高级提示工程技术。
• 映射值：从问题到数据库映射值的技术。
• 语义层：实现语义层的技术。
• 构建图：构建知识图谱的技术。