以编程方式使用文档

设置与安装

要使用此功能，请安装 langchain-hana package:

pip install langchain_hana

然后，创建到 SAP HANA Cloud 实例的连接。

from dotenv import load_dotenv
from hdbcli import dbapi

# Load environment variables if needed
load_dotenv()

# Establish connection to SAP HANA Cloud
connection = dbapi.connect(
    address=os.environ.get("HANA_DB_ADDRESS"),
    port=os.environ.get("HANA_DB_PORT"),
    user=os.environ.get("HANA_DB_USER"),
    password=os.environ.get("HANA_DB_PASSWORD")
)

HanaSparqlQAChain 整合了：

  1. **支持架构的 SPARQL 生成**
  2. **查询执行** 针对 SAP HANA
  3. **自然语言答案格式化**

初始化

您需要：

  • * An **LLM** 用于生成和解释查询
  • * A **HanaRdfGraph** （使用连接， graph_uri和本体）

按照此处的步骤 HanaRdfGraph 了解更多关于创建 HanaRdfGraph instance.

导入 HanaSparqlQAChain

from langchain_hana import HanaSparqlQAChain
qa_chain = HanaSparqlQAChain.from_llm(
    llm=llm, graph=graph, allow_dangerous_requests=True, verbose=True
)

管道概览

1. **SPARQL 生成** * 使用 SPARQL_GENERATION_SELECT_PROMPT * Inputs: * schema （来自 Turtle graph.get_schema) * prompt （用户问题） 2. **查询后处理** * 从 LLM 输出中提取 SPARQL 代码。 * 注入 FROM <graph_uri> 如果缺失 * 确保声明所需通用前缀（rdf:, rdfs:, owl:, xsd:) 3. **执行** * 调用 graph.query(generated_sparql) 4. **答案生成** * 使用 SPARQL_QA_PROMPT * Inputs: * context （原始查询结果） * prompt （原始问题）

提示模板

“SPARQL 生成”提示

sparql_generation_prompt 用于根据用户问题和提供的架构引导 LLM 生成 SPARQL 查询。

问答提示

qa_prompt 指示 LLM 仅根据数据库结果生成自然语言答案。

默认提示可在此处找到： prompts.py

自定义提示

您可以在初始化时覆盖默认值：

qa_chain = HanaSparqlQAChain.from_llm(
    llm=llm,
    graph=graph,
    allow_dangerous_requests=True,
    verbose=True,
    sparql_generation_prompt=YOUR_SPARQL_PROMPT,
    qa_prompt=YOUR_QA_PROMPT
)

> - sparql_generation_prompt 必须包含输入变量： ["schema", "prompt"] > - qa_prompt 必须包含输入变量： ["context", "prompt"]

示例：针对“电影”知识图的问答

前置条件: 您必须拥有启用 **三元组存储** 功能的 SAP HANA Cloud 实例。 有关详细说明，请参阅： 启用三元组存储<br /> 加载 kgdocu_movies 示例数据。请参阅 知识图谱示例.

下面我们将：

  1. 实例化 HanaRdfGraph 指向我们的“movies”数据图
  2. 将其包装在 HanaSparqlQAChain 由 LLM 驱动
  3. 提出自然语言问题并打印链路的响应

这演示了 LLM 如何在后台生成 SPARQL，对 SAP HANA 执行查询，并返回人类可读的答案。

首先，创建到 SAP HANA Cloud 实例的连接。

from dotenv import load_dotenv
from hdbcli import dbapi

# Load environment variables if needed
load_dotenv()

# Establish connection to SAP HANA Cloud
connection = dbapi.connect(
    address=os.environ.get("HANA_DB_ADDRESS"),
    port=os.environ.get("HANA_DB_PORT"),
    user=os.environ.get("HANA_DB_USER"),
    password=os.environ.get("HANA_DB_PASSWORD")
)

然后，设置知识图谱实例

from gen_ai_hub.proxy.langchain.openai import ChatOpenAI
from langchain_hana import HanaRdfGraph, HanaSparqlQAChain

# from langchain_openai import ChatOpenAI  # or your chosen LLM
# Set up the Knowledge Graph
graph_uri = "kgdocu_movies"

graph = HanaRdfGraph(
    connection=connection,
    graph_uri=graph_uri,
    auto_extract_ontology=True
)
# a basic graph schema is extracted from the data graph. This schema will guide the LLM to generate a proper SPARQL query.
schema_graph = graph.get_schema
print(schema_graph.serialize(format="turtle"))
@prefix owl: <http://www.w3.org/2002/07/owl#> .
@prefix rdfs: <http://www.w3.org/2000/01/rdf-schema#> .
@prefix xsd: <http://www.w3.org/2001/XMLSchema#> .

<http://kg.demo.sap.com/acted_in> a owl:ObjectProperty ;
    rdfs:label "acted_in" ;
    rdfs:domain <http://kg.demo.sap.com/Actor> ;
    rdfs:range <http://kg.demo.sap.com/Film> .

<http://kg.demo.sap.com/dateOfBirth> a owl:DatatypeProperty ;
    rdfs:label "dateOfBirth" ;
    rdfs:domain <http://kg.demo.sap.com/Actor> ;
    rdfs:range xsd:dateTime .

<http://kg.demo.sap.com/directed> a owl:ObjectProperty ;
    rdfs:label "directed" ;
    rdfs:domain <http://kg.demo.sap.com/Director> ;
    rdfs:range <http://kg.demo.sap.com/Film> .

<http://kg.demo.sap.com/genre> a owl:ObjectProperty ;
    rdfs:label "genre" ;
    rdfs:domain <http://kg.demo.sap.com/Film> ;
    rdfs:range <http://kg.demo.sap.com/Genre> .

<http://kg.demo.sap.com/placeOfBirth> a owl:ObjectProperty ;
    rdfs:label "placeOfBirth" ;
    rdfs:domain <http://kg.demo.sap.com/Actor> ;
    rdfs:range <http://kg.demo.sap.com/Place> .

<http://kg.demo.sap.com/title> a owl:DatatypeProperty ;
    rdfs:label "title" ;
    rdfs:domain <http://kg.demo.sap.com/Film> ;
    rdfs:range xsd:string .

rdfs:label a owl:DatatypeProperty ;
    rdfs:label "label" ;
    rdfs:domain <http://kg.demo.sap.com/Actor>,
        <http://kg.demo.sap.com/Director>,
        <http://kg.demo.sap.com/Genre>,
        <http://kg.demo.sap.com/Place> ;
    rdfs:range xsd:string .

<http://kg.demo.sap.com/Director> a owl:Class ;
    rdfs:label "Director" .

<http://kg.demo.sap.com/Genre> a owl:Class ;
    rdfs:label "Genre" .

<http://kg.demo.sap.com/Place> a owl:Class ;
    rdfs:label "Place" .

<http://kg.demo.sap.com/Actor> a owl:Class ;
    rdfs:label "Actor" .

<http://kg.demo.sap.com/Film> a owl:Class ;
    rdfs:label "Film" .

之后，初始化 LLM。

# Initialize the LLM
llm = ChatOpenAI(proxy_model_name="gpt-4o", temperature=0)

然后，我们创建一个 SPARQL 问答链

# Create a SPARQL QA Chain
chain = HanaSparqlQAChain.from_llm(
    llm=llm,
    verbose=True,
    allow_dangerous_requests=True,
    graph=graph,
)
# output = chain.invoke("Which movies are in the data?")
# output = chain.invoke("In which movies did Keanu Reeves and Carrie-Anne Moss play in together")
# output = chain.invoke("which movie genres are in the data?")
# output = chain.invoke("which are the two most assigned movie genres?")
# output = chain.invoke("where were the actors of "Blade Runner" born?")
# output = chain.invoke("which actors acted together in a movie and were born in the same city?")
output = chain.invoke("which actors acted in Blade Runner?")

print(output["result"])
> Entering new HanaSparqlQAChain chain...
Generated SPARQL:
\`\`\`
PREFIX kg: <http://kg.demo.sap.com/>
PREFIX rdf: <http://www.w3.org/1999/02/22-rdf-syntax-ns#>
PREFIX rdfs: <http://www.w3.org/2000/01/rdf-schema#>
SELECT ?actor ?actorLabel
WHERE {
    ?movie rdf:type kg:Film .
    ?movie kg:title ?movieTitle .
    ?actor kg:acted_in ?movie .
    ?actor rdfs:label ?actorLabel .
    FILTER(?movieTitle = "Blade Runner")
}
\`\`\`
Final SPARQL:

PREFIX kg: <http://kg.demo.sap.com/>
PREFIX rdf: <http://www.w3.org/1999/02/22-rdf-syntax-ns#>
PREFIX rdfs: <http://www.w3.org/2000/01/rdf-schema#>
SELECT ?actor ?actorLabel

FROM <kgdocu_movies>
WHERE {
    ?movie rdf:type kg:Film .
    ?movie kg:title ?movieTitle .
    ?actor kg:acted_in ?movie .
    ?actor rdfs:label ?actorLabel .
    FILTER(?movieTitle = "Blade Runner")
}

Full Context:
actor,actorLabel
http://www.wikidata.org/entity/Q1353691,Morgan Paull
http://www.wikidata.org/entity/Q1372770,William Sanderson
http://www.wikidata.org/entity/Q358990,James Hong
http://www.wikidata.org/entity/Q498420,M. Emmet Walsh
http://www.wikidata.org/entity/Q81328,Q81328
http://www.wikidata.org/entity/Q723780,Brion James
http://www.wikidata.org/entity/Q207596,Daryl Hannah
http://www.wikidata.org/entity/Q1691628,Joe Turkel
http://www.wikidata.org/entity/Q236702,Joanna Cassidy
http://www.wikidata.org/entity/Q213574,Rutger Hauer
http://www.wikidata.org/entity/Q3143555,Hy Pyke
http://www.wikidata.org/entity/Q211415,Edward James Olmos
http://www.wikidata.org/entity/Q230736,Sean Young


> Finished chain.
The actors who acted in Blade Runner are Morgan Paull, William Sanderson, James Hong, M. Emmet Walsh, Brion James, Daryl Hannah, Joe Turkel, Joanna Cassidy, Rutger Hauer, Hy Pyke, Edward James Olmos, and Sean Young.

幕后发生了什么？

1. **SPARQL 生成** 该链使用 Turtle 格式的本体论（graph.get_schema）和用户的问题，通过 SPARQL_GENERATION_SELECT_PROMPT. 然后 LLM 会生成有效的 SELECT 查询语句，该查询会根据您的架构进行定制。 2. **预处理与执行** * **提取与清洗**：从 LLM 的响应中提取原始 SPARQL 文本。 * **注入图上下文**：添加 FROM <graph_uri> （如果缺失）并确保声明了常用前缀（rdf:, rdfs:, owl:, xsd:）。 * **在 HANA 上运行**：通过 HanaRdfGraph.query() 在您的命名图上执行最终确定的查询。 3. **答案组织** 返回的 CSV（或 Turtle）结果会再次输入到 LLM——这次带有 SPARQL_QA_PROMPT。LLM 会根据检索到的数据生成简洁、可读的答案，不会产生幻觉内容。