不同的数据源处理模式的组合，形成了多种“流”与“图”的混合计算形态。而SQL+GQL的融合语法设计，可以很好地表达多样化的计算模式。
我们不否认SQL+GQL融合语法是一个创见性的语言设计，但这并不能解决“新型图查询语言的高上手门槛”这个通病，因此，借助于LLM微调实现专有的图查询语言模型，通过自然语言的方式与图数据交互，实现“与图对话（Chat-to-Graph/Chat-TuGraph）”。
我们初步构想了面向未来的图数据库智能化能力，至少具备以下产品形态：
1.智能交互分析：通过Agent发送图查询指令，同步获取图数据结果。
2.智能数据变更：通过Agent发送图变更指令，修改图数据，获取修改状态（成功与否、影响行数等）。
3.智能任务处理：通过Agent发送图处理任务指令，触发异步图计算任务，获取图任务运行状态。
4.智能运维管控：通过Agent发送管控指令，实时获取图数据库状态（流量、负载、慢查询等），操纵图数据库实例（启停、伸缩、切流等）。
以上设想是一个比较长远的规划，仰望星空后，我们还是要脚踏实地，回归当下，从最基本的“智能交互探索”开始，构建Text2GQL能力。
以下对话场景，便是我们希望第一阶段达成的目标。
Me：查询蚂蚁集团研发的通过TuGraph支持的产品列表。
ChatTuGraph：match(a:company where a.name = '蚂蚁集团')-[e:develop]->(b:product)<-[e2:support]-(c:software where c.name = 'TuGraph') return b.name
众所周知，要实现模型微调，构建语料是第一步，也是最关键的一步，语料的质量和丰富度会直接决定微调模型的预测效果。但是前面提到，由于图查询语言标准的不够成熟，想要获取现有的GQL语料是一件很困难的事情。另外，SQL+GQL语法更是TuGraph的“独创”，业务语料的丰富度更低。这种情况下，我们只能“自力更生”想办法创造语料，于是就有了“语法制导的语料生成策略”。
该策略的具体思想如下：
•GQL抽象语法树（AST）展开后的基本形式就是表达式（Expr），常量（Literal）也是一种特殊的表达式。
•通过设计表达式实例生成器，批量生成并组合出大量的AST实例，得到GQL语句样本。
•特定的AST可以通过通用生成器产生对应的提示词模板，提示词模板随着AST实例化形成提示词文本。
•特殊的不适合通过生成器生成的提示词模板可以通过人工构造。
•初步生成的提示词文本可以借助LLM（如GPT-4）进一步泛化和翻译，生成多样的自然语言提示词文本。
构建完语料后，参考OpenAI官方模型微调手册[15]，可以轻松实现模型微调（当然，氪金是必不可少的……）。
这里我们基于模型gpt-3.5-turbo-1106进行微调，首先需要将语料按照如下格式进行处理：
{
"messages":[
{
"role":"system",
"content":"你是TuGraph计算引擎的DSL专家"
},
{
"role":"user",
"content":"查找与person点有关联的公司节点，并按规格分组返回。"
},
{
"role":"assistant",
"content":"match(a:person)-[e:belong]-(b:company)returnb.scalegroupbyb.scale"
}
]
}进入OpenAI模型微调页面[16]，上传格式化后的语料文件（一般以.jsonl结尾），设置模型前缀，创建微调任务。
模型微调完成后，可以看到最终的模型ID，形如：ft:gpt-3.5-turbo-1106:personal:<Suffix>:<Id>。
验证微调模型也很简单，调用OpenAI的Chat Completion API时传递微调的模型ID即可。
fromopenaiimportOpenAI
client=OpenAI()
completion=client.chat.completions.create(
model="ft:gpt-3.5-turbo-1106:personal:geaflow:8z·····a",
temperature=0,
messages=[
{
"role":"user",
"content":"查询蚂蚁集团研发的通过TuGraph支持的产品列表。"
}
]
)
print(completion.choices[0].message.content)如果不想“斥资”使用OpenAI的微调服务的话，我们也提供了开源的基于CodeLlama-7b-hf[17]微调后的Text2GQL模型CodeLlama-7b-GQL-hf[18]给大家测试使用（模型量化后可以在Mac上本地运行，没有4090的小伙伴也不用怕了^v^）。
首先，下载HuggingFace上的模型文件到本地（记得先安装git-lfs[19]），如/home/huggingface。同时为了方便大家快速部署本地大模型服务，我们提供了预先安装好CUDA的Docker镜像。
$gitlfsinstall
$gitclonehttps://huggingface.co/tugraph/CodeLlama-7b-GQL-hf/home/huggingface
$dockerpulltugraph/llam_infer_service:0.0.1启动Docker容器，将模型文件目录挂载到容器目录/opt/huggingface，并开放8000模型服务端口。
$dockerrun-it--nametext2gql-server\
-v/home/huggingface:/opt/huggingface\
-p8000:8000\
-dllama_inference_server:0.0.1进入Docker容器，对模型文件进行转换，最终会看到转换后的模型文件ggml-model-f16.gguf。
$dockerexec-ittext2gql-server/bin/bash
>python3/opt/llama_cpp/convert.py/opt/huggingface
>...
>Wrote/opt/huggingface/ggml-model-f16.gguf默认转换后的模型精度为F16，模型大小为13.0GB。正常情况下Mac本地内存无法支撑如此大的模型推理，需要对模型做精度裁剪（当然如果你有4090/在带GPU卡的ECS上运行，可以跳过该步骤……）。
>#q4_0即将原始模型量化为int4，模型大小压缩至3.5GB
>/opt/llama_cpp/quantize/opt/huggingface/ggml-model-f16.gguf/opt/huggingface/ggml-model-q40.ggufq4_0不同规格的量化参数对应的模型规模如下：
最后，启动模型推理服务，绑定0.0.0.0:8000地址，否则容器外无法访问该服务。如果对模型做过量化，记得更新-m参数的值。
>/opt/llama_cpp/server--host0.0.0.0--port8000-m/opt/huggingface/ggml-model-f16.gguf-c4096
服务启动完成后，可以对本地模型服务做简单的对话测试。
$curlhttp://127.0.0.1:8000/completion\
-H"Content-Type:application/json"\
-d'{"prompt":"查询蚂蚁集团研发的通过TuGraph支持的产品列表。","n_predict":128}'TuGraph Analytics的Console平台[20]提供了初步的大模型能力的集成和对话能力，大家可以下载最新的代码部署体验。
登录Console后，切换到“系统模式”，进入“系统管理-模型管理”注册模型服务，模型类型可选择OPEN_AI或LOCAL，分别对应上述的OpenAI微调模型和本地部署模型。注册完成后，可以做简单的可用性测试。
切换到“租户模式”，选择一个图查询任务，进入查询页面。点击“执行”按钮右侧的机器人图标，即可开启对话。对话回答的GQL语句可以点击复制按钮一键执行。
截至此时，借助于大模型微调技术，实现自然语言转图查询，仅仅是一个开端。未来我们相信“图与AI”还有更多的结合场景值得去探索和尝试。
•首先，当前的模型微调训练语料仍不够完备，真实测试中还是会出现推理幻觉和不准确的问题。进一步丰富训练语料以及在GQL标准不完善的情况下，构建模型的有效性验证方案是亟待解决的问题。
•其次，面向GQL查询分析场景的微调只解决了图上自然语言交互式分析的问题，对SQL+GQL融合语言中的数据变更、任务提交能力并未覆盖。当然这部分能力也需要TuGraph引擎能力不断迭代改进以获得支持，才能最大化地丰富自然语言操纵图数据库的场景。
•再次，面向图数据库的智能化运维管控也是一个很值得研究的方向。在以LLM为基础，Agent大行其道的环境下，借助AI能力释放基础软件的运维压力，也符合ESG的战略宗旨。
•另外，借助于图计算技术，为大模型推理提供更准确的知识库，消除模型幻觉，也是当下AI工程技术RAG研究的热门方向。
•最后，利用AIGC技术，为图应用场景生成更丰富的解决方案，提供高质量的内容输出，将技术红利带入到行业，对图计算技术的普及也大有裨益。
| 欢迎光临 链载Ai (https://www.lianzai.com/) | Powered by Discuz! X3.5 |