准备好将您的 RAG（检索增强生成）应用提升到新高度了吗？欢迎来到本系列的最新章节，我们将探索图数据库与大语言模型（Large Language Model, LLM）强大结合的奥秘。在上一期中，我们讨论了如何通过智能体 AI（Agentic AI）将自然语言转换为 Cypher 查询代码。

今天，我们将更进一步，通过构建智能 AI 智能体（AI Agent），充分利用 Neo4j 的图数据库能力和 LangChain 工具，为用户查询提供更加精准、上下文相关的答案。

我们将讨论以下内容：

• • 构建我们自己的自定义 AI 工具供智能体使用

• • 创建智能体并为其提供我们构建的自定义工具

• • 构建一个工具，用于使用 Neo4j 向量索引进行向量搜索

• • 构建另一个工具，将自然语言转换为 Cypher 查询代码

图片来源：Code With Prince

什么是 AI 智能体？

可以将 AI 智能体想象成一个配备了精心设计工具箱的数字助手。通过为 AI 系统配备特定工具与外部世界交互，它从被动的语言模型转变为动态问题解决者，能够主动采取行动。

创建 Neo4j GraphRAG 智能体

如今，您可能已经注意到，生成式 AI（Generative AI, GenAI）的发展正朝着智能体化方向迈进，至少在撰写本文时是这样。因此，理解什么是智能体非常重要，我们在 LangChain 的入门部分已经介绍过。在本节中，我们将更专注于构建用于聊天机器人的智能体。您还记得这张图吗？

您还记得这张图吗？

让我们稍微修改一下这张图，以反映智能体可以访问的工具。

图片来源：Code With Prince

向 AI 智能体提问时，它会选择“员工问答工具”（Employee QA Tool）或“通用问答工具”（General QA Tool）。根据所选工具，AI 智能体将执行相应工具并生成最终答案。

我将使用一个 Python 函数来创建 employee_qa_tool。如果您愿意，也可以使用类。以下是创建该工具的代码，与我们之前讨论的内容差不多：

employee_details_chat_template_str = """
你的任务是使用提供的员工数据回答
关于他们在公司中的角色、绩效和经历的问题。
使用以下上下文来回答问题。
尽可能详细，但不要编造上下文中没有的信息。
如果你不知道答案，就说不知道。
{context}
"""

@tool("employee-qa-tool", return_direct=True)
def employee_qa_tool(query: str) -> str:
    """回答公司员工相关问题的工具。"""
    employee_details_chat_system_prompt = SystemMessagePromptTemplate(
        prompt=PromptTemplate(
            input_variables=["context"],
            template=employee_details_chat_template_str
        )
    )

    human_prompt = HumanMessagePromptTemplate(
        prompt=PromptTemplate(
            input_variables=["question"],
            template="你能提供以下问题的详细信息吗：{question}？"
        )
    )

    messages = [employee_details_chat_system_prompt, human_prompt]

    qa_prompt = ChatPromptTemplate(
        messages=messages,
        input_variables=["context", "question"]
    )

    llm = ChatOpenAI(model="gpt-3.5-turbo")

    qa_chain = RetrievalQA.from_chain_type(
        llm=llm,
        retriever=neo4j_graph_vector_index.as_retriever(),
        chain_type="stuff",
    )

    qa_chain.combine_documents_chain.llm_chain.prompt = qa_prompt

    response = qa_chain.invoke(query)

    return response.get("result")

我们可以这样使用该工具：

employee_qa_tool.invoke("Andrew 的地址是什么？")

图片来源：Code With Prince

“Andrew 的地址是 908 W. Capital Way, Tacoma, WA 98401。”

现在让我们继续构建 general_qa_tool。它将用于回答与员工无关的其他问题。您可以随意构建任意数量的工具，但请记住，工具越多，大语言模型在选择相关工具时可能越容易感到困惑。

@tool("general-qa-tool", return_direct=True)
def general_qa_tool(query: str) -> str:
    """回答订单、订单详情、托运人、客户和产品相关问题的工具。"""
    response = cypher_chain.invoke(query)

    return response.get("result")

您可以如下调用该工具：

general_qa_tool.invoke("数据库中最贵的产品是什么？")

图片来源：Code With Prince

“数据库中最贵的产品是 Côte de Blaye，价格为 $263.50。”

使用 Neo4j 实现 GraphRAG 智能体

现在我们可以如下实现 GraphRAG 智能体。

首先引入我们需要使用的基础库：

from langchain import hub
from langchain.agents import (
    AgentExecutor,
    create_tool_calling_agent
)

接下来，从 LangChain Hub 加载智能体提示：

agent_prompt = hub.pull("hwchase17/openai-functions-agent")

创建工具列表，我们的例子中只有两个工具：

tools = [employee_qa_tool, general_qa_tool]

最后创建智能体！

llm = ChatOpenAI(model="gpt-3.5-turbo")

agent = create_tool_calling_agent(llm, tools, agent_prompt)

agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

让我们测试一下，首先我想看看智能体是否选择了正确的工具。在这种情况下，我希望它使用 employee-qa-tool，让我们看看结果。

agent_executor.invoke(
    {
        "input": "Andrew 的地址是什么？"
    }
)

图片来源：Code With Prince

是的，它确实选择了正确的工具并提供了正确的答案。

测试 2！这次我想问一个更常规的问题：

response = agent_executor.invoke(
    {
        "input": "提供每个托运人的详细信息以及他们运送了多少订单。"
    }
)

print(response.get("output"))

生成的响应：

以下是托运人的信息：

1. 1. 托运人 ID: 3，公司名称：Federal Shipping，电话：(503) 555–9931

2. 2. 托运人 ID: 1，公司名称：Speedy Express，电话：(503) 555–9831

3. 3. 托运人 ID: 2，公司名称：United Package，电话：(503) 555–3199

图片来源：Code With Prince

它并没有完全回答“每个托运人运送了多少订单”。无论如何，这就是智能体，它能够选择正确的工具。

图片来源：Code With Prince

这就是我们构建 AI 智能体所需的一切。

结论

恭喜您达成这一里程碑！您现在已经掌握了构建智能 GraphRAG 应用的基础知识，将图数据库的结构化能力与智能 AI 智能体结合起来。但这仅仅是我们旅程的开始。在下一期精彩内容中，我们将把这些概念带到生产环境中，通过以下方式：

• • 使用 FastAPI 构建强大的后端 API 服务

• • 使用 Docker 对解决方案进行容器化，实现无缝部署

• • 创建干净且文档齐全的端点，允许其他应用程序利用我们的 GraphRAG 系统

• • 实现可扩展性和安全性的最佳实践

准备好将您的实验代码转变为可以支持真实应用的生产级服务吧！无论您是构建内部工具还是面向客户的解决方案，您都将拥有一个专业级的 GraphRAG 系统，随时准备投入使用。

读者福利：如果大家对大模型感兴趣，这套大模型学习资料一定对你有用

对于0基础小白入门：

如果你是零基础小白，想快速入门大模型是可以考虑的。

一方面是学习时间相对较短，学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。

包括：大模型学习线路汇总、学习阶段，大模型实战案例，大模型学习视频，人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型！

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓

👉AI大模型学习路线汇总👈

大模型学习路线图，整体分为7个大的阶段：（全套教程文末领取哈）

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉大模型实战案例👈

光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

👉大模型视频和PDF合集👈

观看零基础学习书籍和视频，看书籍和视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

👉获取方式：

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓