neo4j-vector-memory

此模板允许您将 LLM 与基于向量的检索系统集成，使用 Neo4j 作为向量存储。此外，它利用 Neo4j 数据库的图形功能来存储和检索特定用户会话的对话历史。将对话历史存储为图形不仅可以实现无缝的对话流程，还使您能够通过图形分析分析用户行为和文本块检索。

环境设置

您需要定义以下环境变量

OPENAI_API_KEY=<YOUR_OPENAI_API_KEY>
NEO4J_URI=<YOUR_NEO4J_URI>
NEO4J_USERNAME=<YOUR_NEO4J_USERNAME>
NEO4J_PASSWORD=<YOUR_NEO4J_PASSWORD>

用数据填充

如果您想用一些示例数据填充数据库，可以运行 python ingest.py。 该脚本处理并存储来自文件 dune.txt 的文本部分到 Neo4j 图形数据库中。 此外，还创建了一个名为 dune 的向量索引，以便高效查询这些嵌入。

用法

要使用此包，您首先需要安装 LangChain CLI：

pip install -U langchain-cli

要创建一个新的 LangChain 项目并将其作为唯一包安装，您可以执行：

langchain app new my-app --package neo4j-vector-memory

如果您想将其添加到现有项目中，只需运行：

langchain app add neo4j-vector-memory

并将以下代码添加到您的 server.py 文件中：

from neo4j_vector_memory import chain as neo4j_vector_memory_chain

add_routes(app, neo4j_vector_memory_chain, path="/neo4j-vector-memory")

（可选）现在让我们配置 LangSmith。 LangSmith 将帮助我们跟踪、监控和调试 LangChain 应用程序。 您可以在这里注册 LangSmith here。 如果您没有访问权限，可以跳过此部分。

export LANGCHAIN_TRACING_V2=true
export LANGCHAIN_API_KEY=<your-api-key>
export LANGCHAIN_PROJECT=<your-project>  # 如果未指定，默认为 "default"

如果您在此目录中，则可以直接通过以下命令启动 LangServe 实例：

langchain serve

这将启动 FastAPI 应用程序，服务器在本地运行，地址为 http://localhost:8000

我们可以在 http://127.0.0.1:8000/docs 查看所有模板。 我们可以在 http://127.0.0.1:8000/neo4j-vector-memory/playground 访问游乐场。

我们可以通过代码访问模板：

from langserve.client import RemoteRunnable

runnable = RemoteRunnable("http://localhost:8000/neo4j-vector-memory")