•路由– 一个专门的路由机制决定是使用向量数据库、知识图谱，还是两者的组合，具体取决于查询。
•后备– 在初次检索不足的情况下，智能体会使用 Tavily 进行网络搜索。
•自我校正– 智能体评估自身的回答并尝试纠正幻觉或不准确之处。
•检索– 我们使用 Milvus，这是一款开源且高性能的向量数据库，根据与用户查询的语义相似度存储和检索文档块。
•图增强– 使用 Neo4j 从检索的文档中构建知识图，丰富包含关系和实体的上下文。
•LLMs 集成– 使用本地 LLM Llama 3.1 8B 生成答案并评估检索信息的相关性和准确性，而 GPT-4o 用于生成 Neo4j 使用的查询语言 Cypher。
我们 GraphRAG Agent 的架构可以被视为一个包含多个互联节点的工作流：
•问题路由– 智能体首先分析问题，以确定最佳的检索策略（向量搜索、图搜索或两者）。
•检索– 根据路由决定，从 Milvus 中检索相关文档，或从 Neo4j 图中提取信息。
•生成– LLM 使用检索到的上下文生成答案。
•评估– 智能体评估生成的答案的相关性、准确性和潜在的幻觉。
•改进（如有必要）– 如果答案不令人满意，智能体可以改进其搜索或尝试纠正错误。
为了展示我们的 LLM 智能体的能力，让我们看看两个不同的组件：图生成和复合智能体。
虽然完整代码在博文底部可用，但这些代码片段将提供更好的理解这些智能体在 LangChain 框架中如何工作。
该组件旨在通过利用 Neo4j 的能力来改善问答过程。它通过利用嵌入在 Neo4j 图数据库中的知识回答问题。其工作原理如下：
1.GraphCypherQAChain– 允许 LLM 与 Neo4j 图数据库交互。它以两种方式使用 LLM：
•cypher_llm– 该 LLM 实例负责生成 Cypher 查询，以根据用户的问题从图中提取相关信息。
•验证– 确保 Cypher 查询有效，以确保它们在语法上是正确的。
1.上下文检索– 验证后的查询在 Neo4j 图上执行，以检索必要的上下文。
2.答案生成– 语言模型使用检索到的上下文生成用户问题的答案。
llm=ChatOllama(model=local_llm,temperature=0)
#链
graph_rag_chain=GraphCypherQAChain.from_llm(
cypher_llm=llm,
qa_llm=llm,
validate_cypher=True,
graph=graph,
verbose=True,
return_intermediate_steps=True,
return_direct=True,
)
#运行
question="agentmemory"
generation=graph_rag_chain.invoke({"query":question})该组件使 RAG 系统能够利用 Neo4j，从而提供更全面和准确的答案。
魔法发生在这里：我们的智能体能够结合来自 Milvus 和 Neo4j 的结果，从而更好地理解信息，提供更准确和细致的答案。其工作原理如下：
1.提示– 我们定义一个提示，指示 LLM 使用来自 Milvus 和 Neo4j 的上下文回答问题。
2.检索– 智能体从 Milvus（使用向量搜索）和 Neo4j（使用图生成）中检索相关信息。
3.答案生成– Llama 3.1 8B 处理提示并生成简洁答案，利用来自向量和图数据库的综合知识。
cypher_prompt=PromptTemplate(
template="""你是 Neo4j Cypher 查询生成的专家。
使用以下架构生成一个 Cypher 查询，以回答给定问题。
通过使用不区分大小写的匹配和适当的部分字符串匹配，使查询灵活。
专注于搜索论文标题，因为它们包含最相关的信息。
架构：
{schema}
问题：{question}
Cypher 查询：""",
input_variables=["schema","question"],
)
#QA提示
qa_prompt=PromptTemplate(
template="""你是一个问答任务的助手。
使用以下 Cypher 查询结果回答问题。如果你不知道答案，就说你不知道。
最多使用三句话，保持答案简洁。如果没有主题信息可用，关注论文标题。
问题：{question}
Cypher 查询：{query}
查询结果：{context}
答案：""",
input_variables=["question","query","context"],
)
llm=ChatOpenAI(model="gpt-4o",temperature=0)
#链
graph_rag_chain=GraphCypherQAChain.from
_llm(
cypher_llm=llm,
qa_llm=llm,
validate_cypher=True,
graph=graph,
verbose=True,
return_intermediate_steps=True,
return_direct=True,
cypher_prompt=cypher_prompt,
qa_prompt=qa_prompt,
)让我们看看我们的搜索结果，结合图和向量数据库的优势，以增强我们对研究论文的发现。
我们首先使用 Neo4j 进行图搜索：
question="什么论文讨论多智能体？"
generation=graph_rag_chain.invoke({"query":question})
print(generation)>进入新的GraphCypherQAChain链...
生成的 Cypher：
cypher
MATCH(p
aper)
WHEREtoLower(p.title)CONTAINStoLower("多智能体")
RETURNp.titleASPaperTitle,p.summaryASSummary,p.urlASURL
>Finishedchain.
{'query':'什么论文讨论多智能体？', 'result':[{'PaperTitle':'协作多智能体、多推理路径（CoMM）提示框架', 'Summary':'在这项工作中，我们旨在推动 LLM 的推理能力的上限，提出一个协作多智能体、多推理路径（CoMM）提示框架。具体来说，我们提示 LLM 在问题解决团队中扮演不同角色，并鼓励不同角色的代理协同解决目标任务。我们发现为不同角色应用不同的推理路径是一种有效策略，可以在多智能体场景中实现少样本提示方法。实证结果证明了所提方法在两个大学级科学问题上的有效性。我们的进一步分析显示提示 LLM 扮演不同角色或专家是必要的。', 'URL':'https://github.com/amazon-science/comm-prompt'}]}
图搜索在查找关系和元数据方面表现出色。它可以快速识别基于标题、作者或预定义类别的论文，提供数据的结构化视图。
接下来，我们转向我们的向量搜索以获得不同的视角：
question="什么论文讨论多智能体？"
#获取向量+图答案
docs=retriever.invoke(question)
vector_context=rag_chain.invoke({"context":docs,"question":question})>该论文讨论了“适应性对话团队构建为语言模型代理”并讨论多智能体。它提出了一种新的适应性团队构建范例，为构建LLM代理团队以有效解决复杂任务提供灵活的解决方案。该方法称为CaptainAgent，动态形成和管理每个任务解决过程中的团队，利用嵌套的群体对话和反思，以确保多样化的专业知识并防止刻板输出。
向量搜索在理解上下文和语义相似度方面表现优异。它能够发现与查询在概念上相关的论文，即使它们没有明确包含搜索词。
最后，我们结合这两种搜索方法：
这是我们 RAG Agent 的重要部分，使得能够同时使用向量和图数据库。
composite_chain=prompt|llm|StrOutputParser()
answer=composite_chain.invoke({"question":question,"context":vector_context,"graph_context":graph_context})
print(answer)>论文“协作多智能体、多推理路径（CoMM）提示框架”讨论了多智能体。它提出了一种框架，提示LLM在问题解决团队中扮演不同角色，并鼓励不同角色的代理协同解决目标任务。该论文呈现了在两个大学级科学问题上的实证结果，证明了所提方法的有效性。
通过集成图搜索和向量搜索，我们利用了两种方法的优势。图搜索提供精确度并导航结构化关系，而向量搜索通过语义理解增加深度。
这种组合方法提供了几个优势：
1.提高召回率：找到更多相关的答案和上下文信息。
2.增强准确性：通过图数据库确保检索的答案在结构上是正确的，提供可靠的信息源。
3.丰富理解：结合向量搜索的语义能力，能够更好地理解问题的含义和上下文，从而提供更相关的答案。
GraphRAG Agent 结合了 Neo4j 和 Milvus 的优势，为问答系统提供新颖强大的解决方案。通过集成图数据库和向量数据库，我们能够为用户提供更精确、全面和信息丰富的答案。未来，我们将继续探索这两种技术的结合，提升智能体的能力。
| 欢迎光临 链载Ai (https://www.lianzai.com/) | Powered by Discuz! X3.5 |