如何构建基于知识图谱的高效RAG系统：Neo4j与LangChain的完美结合

Neo4j与LangChain的集成概述

自从Neo4j宣布与LangChain的整合以来，许多使用Neo4j和大语言模型（LLM）构建检索增强生成（RAG）系统的用例纷纷涌现。这一整合促使知识图谱在RAG中的应用急剧增加。基于知识图谱的RAG系统在处理幻觉问题时，似乎表现得更加优越于传统RAG系统。此外，基于代理的系统也被证明能够进一步提升RAG应用的效果。为了支持这一目标，LangGraph框架已经被加入到LangChain生态系统中，以增强LLM应用程序的循环性和持久性。

接下来，我将向您展示如何利用LangChain和LangGraph为Neo4j构建一个GraphRAG工作流程。我们将开发一个复杂的工作流程，该流程在多个阶段使用LLM，并采用动态提示词查询分解技术。此外，我们还将实施一种路由技术，将查询分别引导至向量语义搜索和图QA链。通过LangGraph的GraphState，我们将利用从早期步骤中提取的上下文来丰富我们的提示模板。

GraphRAG工作流程的框架

接下来，让我们概述一下基于LangChain的GraphRAG工作流程。

一个典型的GraphRAG应用通常涉及使用LLM生成Cypher查询。随后，LangChain的GraphCypherQAChain将生成的Cypher查询提交给图数据库（如Neo4j），以检索查询结果。最终，LLM会根据初始查询及图查询的响应返回答案。在这一过程中，响应仅基于传统的图查询。自从Neo4j引入向量索引功能以来，我们也能够执行语义查询。在处理属性图时，有时结合语义查询和图查询或在二者之间进行分流是非常有益的。

图查询示例

假设我们有一个包含文章、作者、期刊、机构等节点的学术期刊图数据库。

一个典型的图查询示例如下：“查找引用次数最多的前10篇文章”：

MATCH(n:Article) WHERE n.citation_count > 50 RETURN n.title, n.citation_count

语义检索示例

对于“查找关于气候变化的文章”，语句将如下所示：

query = "Find articles about climate change?" 
vectorstore = Neo4jVector.from_existing_graph(**args) 
vectorstore.similarity_search(query, k=3)

混合查询

混合查询可能涉及先执行语义相似性搜索，然后根据语义搜索的结果进行图查询。这在处理属性图（如学术图）时尤为有效。例如，问题“查找关于气候变化的文章，并返回其作者和机构”需要将其解析为多个子查询，以执行所需操作。向量搜索在此作为图查询的上下文使用，因此我们需要设计一个复杂的提示模板，以适应此类上下文。

LangGraph工作流程

我们的工作流程将包含两个分支（见下图）——一个用于简单图查询检索QA，另一个用于向量相似性搜索。为便于跟进此工作流程，我创建了一个GitHub仓库，其中包含所有用于此实验的代码：我的LangGraph示例（**https://github.com/sgautam666/my_graph_blogs/tree/main/neo4j_rag_with_langGraph**）。该实验的数据集来源于OpenAlex，该平台提供学术元数据。此外，您还需要一个Neo4j AuraDB实例。

工作流程的总体设计如下：

def route_question(state: GraphState):
    print("---ROUTE QUESTION---")
    question = state["question"]
    source = question_router.invoke({"question": question})
    if source.datasource == "vector search":
        print("---ROUTE QUESTION TO VECTOR SEARCH---")
        return "decomposer"
    elif source.datasource == "graph query":
        print("---ROUTE QUESTION TO GRAPH QA---")
        return "prompt_template"

此代码将生成如下所示的工作流程：

在该GraphRAG工作流程中，我们的流程从一个条件入口点开始，允许我们决定查询流向。在此示例中，START节点启动用户查询。根据查询的不同，信息将流向两个方向。如果查询需要查找向量嵌入，它将流向右侧；如果是简单的基于图的查询，则流程将沿左侧方向进行。左侧的流程基本上为之前讨论的典型图查询，唯一的区别是我们在此使用了LangGraph。

接下来，让我们看看上面工作流程的右侧。我们从一个DECOMPOSER节点开始，该节点将用户问题分解为子查询。例如，用户问题为“查找关于氧化应激的文章，返回最相关的标题”。

子查询可为：

查找与氧化应激相关的文章——用于向量相似性搜索
返回最相关文章的标题——用于图QA链

通过将整个用户问题作为输入查询，图QA链可能会遇到困难，因此分解问题是必要的。分解过程是利用GPT-3.5 Turbo模型和基本提示模板的query_analyzer链完成的。

class SubQuery(BaseModel):
    """将给定问题/查询分解为子查询"""
    sub_query: str = Field(..., description="对原始问题的唯一释义。")

向量搜索

右侧分支的另一重要节点是带有上下文的提示模板。当我们针对属性图进行查询时，如果我们的Cypher生成遵循图模式，则会得到预期的结果。通过向量搜索创建上下文，使我们能够将Cypher模板聚焦于向量搜索提供的特定节点，从而获得更准确的结果：

template = f"""
任务：生成用于查询图数据库的Cypher语句。
说明：
仅使用模式中提供的关系类型和属性。
不要使用未提供的其他关系类型或属性。
上下文来自于向量搜索 {context}
使用上下文，创建Cypher语句并使用该语句进行图查询。
"""

带有上下文的提示模板

我们通过相似性搜索创建上下文，可以生成语义上下文或将节点本身作为上下文。例如，在此我们正在检索与用户查询最相似的文章的节点ID。这些节点ID作为上下文传递给我们的提示模板。

一旦捕获到上下文，我们还需要确保提示模板获得正确的Cypher示例。随着Cypher示例的增加，静态提示示例可能会趋于无关，导致LLM处理困难。我们引入了一种动态提示机制，根据相似性选择最相关的Cypher示例。我们可以在运行时使用Chroma向量存储根据用户查询选择k样本。因此，我们的最终提示模板如下所示：

context = state["article_ids"]
prefix = f"""
任务：生成用于查询图数据库的Cypher语句。
说明：仅使用模式中提供的关系类型和属性。
不要使用未提供的其他关系类型或属性。
以下是上下文：{context}
使用上述上下文中的节点ID，创建Cypher语句并使用该语句进行图查询。示例：以下是针对一些问题示例生成的Cypher语句示例：
"""
FEW_SHOT_PROMPT = FewShotPromptTemplate(
    example_selector=example_selector,
    example_prompt=example_prompt,
    prefix=prefix,
    suffix="问题：{question}, \\nCypher查询：",
    input_variables=["question", "query"],
)
return FEW_SHOT_PROMPT

动态选择的Cypher示例通过suffix参数传递。最终，我们将模板传递给调用图QA链的节点。我们在工作流程的左侧也使用了类似的动态提示模板，但没有上下文。

与典型的RAG工作流程不同，通过将上下文引入提示模板，我们通过创建输入变量并在调用模型链（如GraphCypherQAChain()）时传递这些变量来实现：

template = f"""
任务：生成用于查询图数据库的Cypher语句。
说明：仅使用模式中提供的关系类型和属性。
不要使用未提供的其他关系类型或属性。
上下文来自于向量搜索 {context}
使用上下文，创建Cypher语句并使用该语句进行图查询。
"""
PROMPT = PromptTemplate(
    input_variables=["question", "context"],
    template=template,
)

有时，通过LangChain链传递多个变量会变得更加棘手：

chain = (
    {
      "question": RunnablePassthrough(),
     "context": RetrievalQA.from_chain_type(),
    }
    | PROMPT
    | GraphCypherQAChain()
)

上述工作流程将不起作用，因为GraphCypherQAChain()需要提示模板，而非提示文本（当调用链时，提示模板的输出将是文本）。这促使我尝试使用LangGraph，它似乎能够传递更多上下文并执行流程。

图QA链

在带有上下文的提示模板之后，最后一步是图查询。这时，典型的图QA链用于将提示传递给图数据库以执行查询，并生成LLM的响应。请注意，左侧的流程也遵循类似的路径，提示生成之后我们使用相似的动态提示方法。

在执行工作流程之前，以下是关于路由链和GraphState的一些思考。

路由链

如前所述，我们的工作流程从一个条件入口点开始，该入口点允许我们决定查询流的路线。通过路由链实现这一点，我们使用了一个简单的提示模板和LLM。Pydantic模型在此情况下至关重要：

class RouteQuery(BaseModel):
    """将用户查询路由到最相关的数据源。"""
    datasource: Literal["vector search", "graph query"] = Field(
        ..., description="给定用户问题选择将其路由到向量存储或图数据库。")
    llm = ChatOpenAI(temperature=0)
    structured_llm_router = llm.with_structured_output(RouteQuery)

system = """你是一名专家，能够将用户问题路由以执行向量搜索或图查询。向量存储包含与文章标题、摘要和主题相关的文档。以下是三个路由情况：如果用户问题涉及相似性搜索，请执行向量搜索。用户查询可能包含类似“相似”、“相关”、“相关性”、“相同”、“最近”等术语，表明向量搜索。对于其他情况，请使用图查询。
向量搜索案例的问题示例：
查找关于光合作用的文章
查找与氧化应激相关的类似文章
图数据库查询的问题示例：
MATCH (n:Article) RETURN COUNT(n)
MATCH (n:Article) RETURN n.title
图QA链的问题示例：
查找特定年份发表的文章并返回其标题、作者
查找来自位于特定国家（例如日本）的机构的作者"""
route_prompt = ChatPromptTemplate.from_messages(
    [
        ("system", system),
        ("human", "{question}")
    ]
)
question_router = route_prompt | structured_llm_router

def route_question(state: GraphState):
    print("---ROUTE QUESTION---")
    question = state["question"]
    source = question_router.invoke({"question": question})
    if source.datasource == "vector search":
        print("---ROUTE QUESTION TO VECTOR SEARCH---")
        return "decomposer"
    elif source.datasource == "graph query":
        print("---ROUTE QUESTION TO GRAPH QA---")
        return "prompt_template"

GraphState

LangGraph 的一个显著之处在于信息通过GraphState的流动。在GraphState中定义所有潜在数据后，某个节点在任何阶段均可访问这些数据：

class GraphState(TypedDict):
    """表示我们图的状态。
    属性：
        question: 问题
        documents: 链的结果
        article_ids: 来自向量搜索的文章ID列表
        prompt: 提示模板对象
        prompt_with_context: 来自向量搜索的带上下文的提示模板
        subqueries: 分解的查询
    """
    question: str
    documents: dict
    article_ids: List[str]
    prompt: object
    prompt_with_context: object
    subqueries: object

访问这些数据时，只需在定义节点或任何函数时继承state即可。例如：

def prompt_template_with_context(state: GraphState):
    question = state["question"]
    queries = state["subqueries"]
    prompt_with_context = create_few_shot_prompt_with_context(state)
    return {"prompt_with_context": prompt_with_context, "question": question, "subqueries": queries}

结论

本文描述了构建基于知识图谱的RAG系统的工作流程，尽管没有涵盖所有细节，但我承认，仅使用LangChain构建高级GraphRAG应用程序会遇到一些困难。通过引入LangGraph，能够有效解决这些问题。我最感到沮丧的是无法在提示模板中引入所需的多个输入变量，并将该模板传递给LangChain表达式语言中的图QA链。