Skip to main content
Amazon Neptune 是一款高性能图分析及无服务器数据库，具备卓越的可扩展性和可用性。 本示例展示了使用 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，支持对属性图进行富有表达力且高效的数据查询。 openCypher 是 Cypher 的开源实现。# Neptune Open Cypher QA Chain 本 QA 链使用 openCypher 查询 Amazon Neptune 并返回人类可读的响应
LangChain 通过 create_neptune_opencypher_qa_chain 同时支持 Neptune Database 和 Neptune Analytics。 Neptune Database 是一款无服务器图数据库，专为最佳可扩展性和可用性而设计。它为需要扩展至每秒 10 万次查询、Multi-AZ 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、欺诈预警和 Customer 360 应用。 Neptune Analytics 是一款分析数据库引擎，可快速在内存中分析大量图数据，从而获取洞察并发现趋势。Neptune Analytics 是快速分析现有图数据库或存储在数据湖中的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

该 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 链可以被 RunnableWithMessageHistory 包装。这为链添加了消息历史，让我们可以创建一个能在多次调用中保持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式。为此，每个线程将被创建为 InMemoryChatMessageHistory 的实例，并存储到字典中以便重复访问。 （另请参见：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，可以使用 QA 链和消息历史存储来创建新的 RunnableWithMessageHistory。请注意，我们必须将 query 设置为输入键，以匹配基础链所期望的格式。 
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，需要为对话生成一个唯一的 session_id，以便新的 InMemoryChatMessageHistory 记住该对话。 
import uuid

session_id = uuid.uuid4()
最后，使用 session_id 调用已启用消息历史的链。 
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.
随着链继续以相同的 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)
在 GitHub 上编辑此页面 或提交问题。
通过 MCP 将这些文档连接到 Claude、VSCode 等工具，获取实时解答。