5步打造 GraphRAG 智能体，让 Neo4j 和 AI 完美协作！

活水智能 2025-01-07

107

点击上方↗️「活水智能」，关注 + 星标🌟

作者：Prince Krampah

编译：活水智能

准备好将您的 RAG（检索增强生成）应用提升到新高度了吗？欢迎来到本系列的最新章节，我们将探索图数据库与大语言模型（Large Language Model, LLM）强大结合的奥秘。在上一期中，我们讨论了如何通过智能体 AI（Agentic AI）将自然语言转换为 Cypher 查询代码。

今天，我们将更进一步，通过构建智能 AI 智能体（AI Agent），充分利用 Neo4j 的图数据库能力和 LangChain 工具，为用户查询提供更加精准、上下文相关的答案。

我们将讨论以下内容：

• 构建我们自己的自定义 AI 工具供智能体使用
• 创建智能体并为其提供我们构建的自定义工具
• 构建一个工具，用于使用 Neo4j 向量索引进行向量搜索
• 构建另一个工具，将自然语言转换为 Cypher 查询代码

什么是 AI 智能体？

可以将 AI 智能体想象成一个配备了精心设计工具箱的数字助手。通过为 AI 系统配备特定工具与外部世界交互，它从被动的语言模型转变为动态问题解决者，能够主动采取行动。

创建 Neo4j GraphRAG 智能体

如今，您可能已经注意到，生成式 AI（Generative AI, GenAI）的发展正朝着智能体化方向迈进，至少在撰写本文时是这样。因此，理解什么是智能体非常重要，我们在 LangChain 的入门部分已经介绍过。在本节中，我们将更专注于构建用于聊天机器人的智能体。您还记得这张图吗？

您还记得这张图吗？

让我们稍微修改一下这张图，以反映智能体可以访问的工具。

向 AI 智能体提问时，它会选择“员工问答工具”（Employee QA Tool）或“通用问答工具”（General QA Tool）。根据所选工具，AI 智能体将执行相应工具并生成最终答案。

我将使用一个 Python 函数来创建 employee_qa_tool
。如果您愿意，也可以使用类。以下是创建该工具的代码，与我们之前讨论的内容差不多：

employee_details_chat_template_str = """
你的任务是使用提供的员工数据回答
关于他们在公司中的角色、绩效和经历的问题。
使用以下上下文来回答问题。
尽可能详细，但不要编造上下文中没有的信息。
如果你不知道答案，就说不知道。
{context}
"""

@tool("employee-qa-tool", return_direct=True)
def employee_qa_tool(query: str) -> str:
    """回答公司员工相关问题的工具。"""
    employee_details_chat_system_prompt = SystemMessagePromptTemplate(
        prompt=PromptTemplate(
            input_variables=["context"],
            template=employee_details_chat_template_str
        )
    )

    human_prompt = HumanMessagePromptTemplate(
        prompt=PromptTemplate(
            input_variables=["question"],
            template="你能提供以下问题的详细信息吗：{question}？"
        )
    )

    messages = [employee_details_chat_system_prompt, human_prompt]

    qa_prompt = ChatPromptTemplate(
        messages=messages,
        input_variables=["context", "question"]
    )

    llm = ChatOpenAI(model="gpt-3.5-turbo")

    qa_chain = RetrievalQA.from_chain_type(
        llm=llm,
        retriever=neo4j_graph_vector_index.as_retriever(),
        chain_type="stuff",
    )

    qa_chain.combine_documents_chain.llm_chain.prompt = qa_prompt

    response = qa_chain.invoke(query)

    return response.get("result")

我们可以这样使用该工具：

employee_qa_tool.invoke("Andrew 的地址是什么？")

“Andrew 的地址是 908 W. Capital Way, Tacoma, WA 98401。”

现在让我们继续构建 general_qa_tool
。它将用于回答与员工无关的其他问题。您可以随意构建任意数量的工具，但请记住，工具越多，大语言模型在选择相关工具时可能越容易感到困惑。

@tool("general-qa-tool", return_direct=True)
def general_qa_tool(query: str) -> str:
    """回答订单、订单详情、托运人、客户和产品相关问题的工具。"""
    response = cypher_chain.invoke(query)

    return response.get("result")

您可以如下调用该工具：

general_qa_tool.invoke("数据库中最贵的产品是什么？")

“数据库中最贵的产品是 Côte de Blaye，价格为 $263.50。”

使用 Neo4j 实现 GraphRAG 智能体

现在我们可以如下实现 GraphRAG 智能体。

首先引入我们需要使用的基础库：

from langchain import hub
from langchain.agents import (
    AgentExecutor,
    create_tool_calling_agent
)

接下来，从 LangChain Hub 加载智能体提示：

agent_prompt = hub.pull("hwchase17/openai-functions-agent")

创建工具列表，我们的例子中只有两个工具：

tools = [employee_qa_tool, general_qa_tool]

最后创建智能体！

llm = ChatOpenAI(model="gpt-3.5-turbo")

agent = create_tool_calling_agent(llm, tools, agent_prompt)

agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

让我们测试一下，首先我想看看智能体是否选择了正确的工具。在这种情况下，我希望它使用 employee-qa-tool
，让我们看看结果。

agent_executor.invoke(
    {
        "input": "Andrew 的地址是什么？"
    }
)

是的，它确实选择了正确的工具并提供了正确的答案。

测试 2！这次我想问一个更常规的问题：

response = agent_executor.invoke(
    {
        "input": "提供每个托运人的详细信息以及他们运送了多少订单。"
    }
)

print(response.get("output"))

生成的响应：

以下是托运人的信息：
1. 托运人 ID: 3，公司名称：Federal Shipping，电话：(503) 555–9931
2. 托运人 ID: 1，公司名称：Speedy Express，电话：(503) 555–9831
3. 托运人 ID: 2，公司名称：United Package，电话：(503) 555–3199