跳到主要内容
Open In ColabOpen on GitHub

Amazon Neptune 与 Cypher

Amazon Neptune 是一种高性能图分析和无服务器数据库，具有卓越的可扩展性和可用性。

此示例展示了 QA 链，它使用 openCypher 查询 Neptune 图数据库并返回人类可读的响应。

Cypher 是一种声明式图查询语言，允许在属性图中进行富有表现力和高效的数据查询。

openCypher 是 Cypher 的开源实现。# Neptune Open Cypher QA Chain 此 QA 链使用 openCypher 查询 Amazon Neptune 并返回人类可读的响应。

LangChain 支持 Neptune 数据库和 Neptune Analytics，通过 create_neptune_opencypher_qa_chain 进行。

Neptune 数据库是一个无服务器图数据库，旨在实现最佳的可扩展性和可用性。它为需要扩展到每秒 10 万次查询、多可用区高可用性和多区域部署的图数据库工作负载提供了解决方案。您可以将 Neptune 数据库用于社交网络、欺诈警报和客户 360 度应用。

Neptune Analytics 是一个分析数据库引擎，可以快速分析内存中的大量图数据以获取洞察和发现趋势。Neptune Analytics 是一种快速分析现有图数据库或存储在数据湖中的图数据集的解决方案。它使用流行的图分析算法和低延迟分析查询。

使用 Neptune 数据库​

from langchain_aws.graphs import NeptuneGraph

host = "<neptune-host>"
port = 8182
use_https = True

graph = NeptuneGraph(host=host, port=port, use_https=use_https)
API 参考:NeptuneGraph

使用 Neptune Analytics​

from langchain_aws.graphs import NeptuneAnalyticsGraph

graph = NeptuneAnalyticsGraph(graph_identifier="<neptune-analytics-graph-id>")

使用 Neptune openCypher QA 链​

此 QA 链使用 openCypher 查询 Neptune 图数据库并返回人类可读的响应。

from langchain_aws import ChatBedrockConverse
from langchain_aws.chains import create_neptune_opencypher_qa_chain

MODEL_ID = "anthropic.claude-3-5-sonnet-20241022-v2:0"
llm = ChatBedrockConverse(
    model=MODEL_ID,
    temperature=0,
)

chain = create_neptune_opencypher_qa_chain(llm=llm, graph=graph)

result = chain.invoke("How many outgoing routes does the Austin airport have?")
print(result["result"].content)
Austin airport has 98 outgoing routes.

添加消息历史记录​

Neptune openCypher QA 链能够被 RunnableWithMessageHistory 包装。这为链添加了消息历史记录，使我们能够创建一个在多次调用中保留对话状态的聊天机器人。

首先，我们需要一种存储和加载消息历史记录的方法。为此，每个线程将创建为 InMemoryChatMessageHistory 的实例，并存储到字典中以便重复访问。

（另请参阅：https://python.langchain.ac.cn/docs/versions/migrating_memory/chat_history/#chatmessagehistory）

from langchain_core.chat_history import InMemoryChatMessageHistory

chats_by_session_id = {}


def get_chat_history(session_id: str) -> InMemoryChatMessageHistory:
    chat_history = chats_by_session_id.get(session_id)
    if chat_history is None:
        chat_history = InMemoryChatMessageHistory()
        chats_by_session_id[session_id] = chat_history
    return chat_history

现在，QA 链和消息历史记录存储可用于创建新的 RunnableWithMessageHistory。请注意，我们必须将 query 设置为输入键，以匹配基础链所需的格式。

from langchain_core.runnables.history import RunnableWithMessageHistory

runnable_with_history = RunnableWithMessageHistory(
    chain,
    get_chat_history,
    input_messages_key="query",
)

在调用链之前，需要为对话生成一个唯一的 session_id，新的 InMemoryChatMessageHistory 将记住该对话。

import uuid

session_id = uuid.uuid4()

最后，使用 session_id 调用启用消息历史记录的链。

result = runnable_with_history.invoke(
    {"query": "How many destinations can I fly to directly from Austin airport?"},
    config={"configurable": {"session_id": session_id}},
)
print(result["result"].content)
You can fly directly to 98 destinations from Austin airport.

随着链继续使用相同的 session_id 调用，响应将在对话中先前查询的上下文中返回。

result = runnable_with_history.invoke(
    {"query": "Out of those destinations, how many are in Europe?"},
    config={"configurable": {"session_id": session_id}},
)
print(result["result"].content)
You can fly directly to 4 destinations in Europe from Austin airport.
result = runnable_with_history.invoke(
    {"query": "Give me the codes and names of those airports."},
    config={"configurable": {"session_id": session_id}},
)
print(result["result"].content)
The four European destinations you can fly to directly from Austin airport are:
- AMS (Amsterdam Airport Schiphol)
- FRA (Frankfurt am Main)
- LGW (London Gatwick)
- LHR (London Heathrow)