[特殊字符] 本地大模型编程实战(29)：用大语言模型LLM查询图数据库NEO4J(2)

本文将基于langgraph框架，用LLM查询NEO4J图数据库，构建可定制、能应对复杂场景的工作流！

🌟 核心亮点

是否用户提问是否电影相关?生成Cypher查询直接回答执行查询生成最终答案

🧩 模块化实现

1️⃣ 定义状态机

复制代码

from typing import TypedDict, Annotated, List

class InputState(TypedDict):
    question: str

class OverallState(TypedDict):
    question: str
    next_action: str
    cypher_statement: str
    cypher_errors: List[str]
    database_records: List[dict]
    steps: Annotated[List[str], add]

class OutputState(TypedDict):
    answer: str
    steps: List[str]
    cypher_statement: str

2️⃣ 智能护栏系统

复制代码

guardrails_system = """
你是智能助手，判断问题是否与电影相关。
相关则返回"movie"，否则返回"end"。
"""

guardrails_prompt = ChatPromptTemplate.from_messages([
    ("system", guardrails_system),
    ("human", "{question}")
])

def guardrails(state: InputState) -> OverallState:
    output = guardrails_chain.invoke({"question": state.get("question")})
    if output.decision == "end":
        return {"database_records": "问题与电影无关，无法回答"}
    return {"next_action": output.decision, "steps": ["guardrail"]}

3️⃣ Cypher生成引擎

示例增强提示：

复制代码

examples = [
    {"question": "汤姆·汉克斯演过多少电影?", "query": "MATCH (a:Person {name: 'Tom Hanks'})-[:ACTED_IN]->(m) RETURN count(m)"},
    {"question": "《赌场》的演员有哪些?", "query": "MATCH (m:Movie {title: 'Casino'})<-[:ACTED_IN]-(a) RETURN a.name"}
]

动态选择最相关示例：

复制代码

example_selector = SemanticSimilarityExampleSelector.from_examples(
    examples, 
    OllamaEmbeddings(model="nomic-embed-text"),
    Neo4jVector, 
    k=5
)

4️⃣ 查询执行模块

复制代码

def execute_cypher(state: OverallState) -> OverallState:
    records = enhanced_graph.query(state.get("cypher_statement"))
    return {
        "database_records": records if records else "未找到相关信息",
        "next_action": "end",
        "steps": ["execute_cypher"],
    }

5️⃣ 最终回答生成

复制代码

generate_final_prompt = ChatPromptTemplate.from_messages([
    ("system", "你是专业电影助手"),
    ("human", "根据数据库结果回答问题：\n结果: {results}\n问题: {question}")
])

🧠 智能工作流构建

复制代码

from langgraph.graph import StateGraph

# 构建流程图
workflow = StateGraph(OverallState)
workflow.add_node("guardrails", guardrails)
workflow.add_node("generate_cypher", generate_cypher)
workflow.add_node("execute_cypher", execute_cypher)
workflow.add_node("generate_final_answer", generate_final_answer)

# 设置路由逻辑
def route_decision(state):
    return "generate_cypher" if state["next_action"] == "movie" else "generate_final_answer"

workflow.add_conditional_edges("guardrails", route_decision)
workflow.add_edge("generate_cypher", "execute_cypher")
workflow.add_edge("execute_cypher", "generate_final_answer")
workflow.add_edge("generate_final_answer", END)

# 编译执行
movie_expert = workflow.compile()

🎯 实战演示

案例1：无关问题

复制代码

ask("西班牙天气怎么样？")

输出：

我无法回答电影以外的问题，建议查询天气网站。

案例2：电影查询

复制代码

ask("电影《赌场》的演员有哪些？")

输出：

《赌场》的主演包括：罗伯特·德尼罗、莎朗·斯通、乔·佩西等。

💡 方案优势

特性	传统方法	LangGraph方案
定制性	❌ 受限	✅ 完全可定制
复杂度	⭐ 简单	⭐⭐⭐ 复杂场景
可维护性	🟡 一般	🟢 模块清晰
错误处理	⚠️ 基础	🛡️ 健壮机制

📦 资源获取

完整代码已开源：

文件命名与文章编号对应，方便查找！