5步打造 GraphRAG 智能体，让 Neo4j 和 AI 完美协作！

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。

Android老皮

1078人浏览 · 2025-01-11 10:45:00

Android老皮 · 2025-01-11 10:45:00 发布

准备好将您的 RAG（检索增强生成）应用提升到新高度了吗？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。

今天，我们将通过构建智能 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

图片来源：Code With Prince

一、什么是 AI 智能体？

二、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。

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。

图片来源：Code With Prince

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？")

图片来源：Code With Prince

“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？")

图片来源：Code With Prince

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

三、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？"
    }
)

图片来源：Code With Prince

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