Amazon Neptune 与 Cypher 集成

使用 LangChain Python 集成 Amazon Neptune 的 Cypher 图。

Amazon Neptune 是一款高性能的图分析和服务端无数据库，具有卓越的扩展性和可用性。

此示例展示了使用 openCypher 查询 Neptune 图数据库并返回人类可读响应的 QA 链。

Cypher 是一种声明式图查询语言，允许在属性图中进行表达力强且高效的数据查询。

openCypher 是 Cypher 的开源实现。

Neptune Open Cypher QA 链

此 QA 链使用 openCypher 查询 Amazon Neptune 并返回人类可读的响应

LangChain 支持通过 create_neptune_opencypher_qa_chain 同时使用 Neptune Database 和 Neptune Analytics。

Neptune Database 是一款专为最佳扩展性和可用性设计的无服务器图数据库。它为需要扩展到每秒 100,000 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解决方案。您可以将 Neptune Database 用于社交网络、欺诈警报和客户 360 应用程序。

Neptune Analytics 是一个分析数据库引擎，可以快速在内存中分析大量图数据以获取见解并发现趋势。Neptune Analytics 是快速分析存储在数据湖中的现有图数据库或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 Database

from langchain_aws.graphs import NeptuneGraph

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

graph = NeptuneGraph(host=host, port=port, use_https=use_https)

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

Neptune openCypher QA 链能够被 RunnableWithMessageHistory 包装。这会将消息历史添加到链中，使我们能够创建一个在多次调用之间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的方法。为此，每个线程都将作为 InMemoryChatMessageHistory 的实例创建，并存储在字典中以供重复访问。

(另见：python.langchain.com/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，以匹配基础链预期的格式。

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，需要为新的 InMemoryChatMessageHistory 要记住的对话生成唯一的 session_id。

import uuid

session_id = uuid.uuid4()

最后，使用 session_id 调用启用了消息历史的链。

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 被调用，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)

---

Edit this page on GitHub or file an issue.

Connect these docs to Claude, VSCode, and more via MCP for real-time answers.