【知识图谱】4、LLM大模型结合neo4j图数据库实现AI问答的功能

昨天写了一篇文章，使用fastapi直接操作neo4j图数据库插入数据的例子， 本文实现LLM大模型结合neo4j图数据库实现AI问答功能。

废话不多说，先上代码

import gradio as gr
from fastapi import FastAPI, HTTPException, Request
from pydantic import BaseModel
from langchain_openai import ChatOpenAI
from langchain.prompts import (ChatPromptTemplate,MessagesPlaceholder,SystemMessagePromptTemplate,HumanMessagePromptTemplate,
)
from langchain.chains import LLMChain
from langchain.memory import ConversationBufferMemory
from langchain_community.graphs import Neo4jGraph
from langchain.chains import GraphCypherQAChain
import asyncio
from typing import List
import json# Initialize FastAPI
app = FastAPI()# Initialize Neo4j with timeout
try:graph = Neo4jGraph(url="bolt://localhost:7687",username="neo4j",password="password",database="neo4j",timeout=60  # 60 seconds timeout)
except Exception as e:print(f"Failed to connect to Neo4j: {e}")graph = None# Fallback in-memory storage
job_seekers = []
job_positions = []# Initialize LangChain components
llm = ChatOpenAI(temperature=0.95,model="glm-4-flash",openai_api_key="xxxxxx",openai_api_base="https://open.bigmodel.cn/api/paas/v4/"
)prompt = ChatPromptTemplate(messages=[SystemMessagePromptTemplate.from_template("You are a helpful AI assistant for a recruitment company. You can answer questions about job seekers and available positions."),MessagesPlaceholder(variable_name="chat_history"),HumanMessagePromptTemplate.from_template("{question}")]
)memory = ConversationBufferMemory(memory_key="chat_history", return_messages=True)
conversation = LLMChain(llm=llm,prompt=prompt,verbose=True,memory=memory
)# Initialize GraphCypherQAChain if Neo4j is available
if graph:graph_qa = GraphCypherQAChain.from_llm(llm,graph=graph,verbose=True)# Define chat function with timeout
async def chat_with_timeout(message, history):try:if graph:neo4j_response = await asyncio.wait_for(asyncio.to_thread(graph_qa.run, message),timeout=10.0  # 10 seconds timeout)return f"Based on our database: {neo4j_response}"else:# Fallback to in-memory dataif "job seekers" in message.lower():return f"Based on our records: We have {len(job_seekers)} job seekers."elif "job positions" in message.lower():return f"Based on our records: We have {len(job_positions)} job positions."else:response = conversation.invoke({"question": message})return response['text']except asyncio.TimeoutError:return "I'm sorry, but the database query took too long. Please try a simpler question or try again later."except Exception as e:print(f"Error in chat function: {e}")response = conversation.invoke({"question": message})return response['text']# # Create Gradio interface
iface = gr.ChatInterface(chat_with_timeout)
#
# # Mount Gradio app to FastAPI
app = gr.mount_gradio_app(app, iface, path="/")# Run the app
if __name__ == "__main__":import uvicornuvicorn.run(app, host="0.0.0.0", port=8000)

还是老规矩，先AI解释下，构建一个基于FastAPI和Gradio的聊天应用，主要功能如下：

1、初始化FastAPI应用和Neo4j图数据库连接（带超时处理）；

2、定义了用于对话的LangChain组件，包括LLM模型、提示模板及对话记忆；

3、根据Neo4j是否可用初始化图查询链；

4、实现异步聊天函数，支持数据库查询数据检索，并处理超时错误；

5、使用Gradio创建用户界面并将应用挂载到FastAPI上。

核心关注graph_qa.run方法，执行原理：

1. 自然语言处理：

当调用 graph_qa.run(message) 时，首先会将用户的自然语言查询（message）传递给大语言模型（LLM）。

2. Cypher 查询生成：

LLM 分析用户的查询，并尝试将其转换为 Cypher 查询语言。Cypher 是 Neo4j 图数据库使用的查询语言。这个步骤涉及到理解用户意图和将其映射到图数据库的结构上。

3. 数据库查询：

生成的 Cypher 查询被发送到 Neo4j 数据库执行。这个过程涉及到遍历图数据库，匹配节点和关系，并检索相关数据。

4. 结果解释：

数据库返回查询结果后，这些结果会被传回给 LLM。LLM 会分析这些原始数据，理解其含义和上下文。

5. 响应生成：

最后，LLM 会根据原始查询和数据库返回的结果，生成一个人类可读的响应。这个响应应该直接回答用户的问题，并可能包含从数据库中提取的具体信息。

在上一篇文章中，我已经在neo4j插入了一些数据，比如张三1的技能。 这里问一下

原文链接： 【知识图谱】4、LLM大模型结合neo4j图数据库实现AI问答的功能