>Amazon Neptune 是一个高性能图形分析和无服务器数据库，具有卓越的可扩展性和可用性。 > >此示例展示了查询 Neptune 图形数据库使用的 openCypher 并返回人类可读的响应的 QA 链。 > >Cypher) 是一种声明式图形查询语言，允许在属性图中进行表达性且高效的数据查询。 > >openCypher 是 Cypher 的开源实现。# Neptune Open Cypher QA Chain 此 QA 链使用 openCypher 查询 Amazon Neptune 并返回人类可读的响应

LangChain 支持 Neptune Database 和 Neptune Analytics 使用 create_neptune_opencypher_qa_chain.

Neptune Database 是一种专为最佳可扩展性和可用性而设计的无服务器图形数据库。它为需要扩展到每秒 100,000 次查询、多可用区高可用性和多区域部署的图形数据库工作负载提供了解决方案。您可以将 Neptune Database 用于社交网络、欺诈警报和 Customer 360 应用程序。

Neptune Analytics 是一个分析数据库引擎，可以快速分析内存中的大量图形数据以获取洞察并发现趋势。Neptune Analytics 是用于快速分析现有图形数据库或存储在数据湖中的图形数据集的解决方案。它使用流行的图形分析算法和低延迟分析查询。

使用 Neptune Database

from langchain_aws.graphs import NeptuneGraph

host = "<neptune-host>"
port = 8182
use_https = True

graph = NeptuneGraph(host=host, port=port, use_https=use_https)

使用 Neptune Analytics

from langchain_aws.graphs import NeptuneAnalyticsGraph

graph = NeptuneAnalyticsGraph(graph_identifier="<neptune-analytics-graph-id>")

使用 Neptune openCypher QA 链

此 QA 链使用 openCypher 查询 Neptune 图形数据库并返回人类可读的响应。

from langchain_aws import ChatBedrockConverse
from langchain_aws.chains import create_neptune_opencypher_qa_chain

MODEL_ID = "anthropic.claude-3-5-sonnet-20241022-v2:0"
llm = ChatBedrockConverse(
    model=MODEL_ID,
    temperature=0,
)

chain = create_neptune_opencypher_qa_chain(llm=llm, graph=graph)

result = chain.invoke("How many outgoing routes does the Austin airport have?")
print(result["result"].content)

Austin airport has 98 outgoing routes.

添加消息历史记录

Neptune openCypher QA 链可以由 RunnableWithMessageHistory包装。这为链添加了消息历史记录，使我们能够创建一个在多次调用中保留对话状态的聊天机器人。

首先，我们需要一种存储和加载消息历史记录的方法。为此，每个线程将创建为一个 InMemoryChatMessageHistory实例，并存储到字典中以便重复访问。

（另请参阅： python.langchain.com/docs/versions/migrating_memory/chat_history/#chatmessagehistory)

from langchain_core.chat_history import InMemoryChatMessageHistory

chats_by_session_id = {}


def get_chat_history(session_id: str) -> InMemoryChatMessageHistory:
    chat_history = chats_by_session_id.get(session_id)
    if chat_history is None:
        chat_history = InMemoryChatMessageHistory()
        chats_by_session_id[session_id] = chat_history
    return chat_history

现在，QA 链和消息历史记录存储可用于创建新的 RunnableWithMessageHistory。请注意，我们必须将 query 设置为输入键，以匹配基础链期望的格式。

from langchain_core.runnables.history import RunnableWithMessageHistory

runnable_with_history = RunnableWithMessageHistory(
    chain,
    get_chat_history,
    input_messages_key="query",
)

在调用链之前，需要为对话生成一个唯一的 session_id ，新的 InMemoryChatMessageHistory 将记住该对话。

session_id = uuid.uuid4()

最后，使用 session_id.

result = runnable_with_history.invoke(
    {"query": "How many destinations can I fly to directly from Austin airport?"},
    config={"configurable": {"session_id": session_id}},
)
print(result["result"].content)

You can fly directly to 98 destinations from Austin airport.

调用启用了消息历史的链。随着链继续使用相同的 session_id调用，响应将在对话中先前查询的上下文中返回。

result = runnable_with_history.invoke(
    {"query": "Out of those destinations, how many are in Europe?"},
    config={"configurable": {"session_id": session_id}},
)
print(result["result"].content)

You can fly directly to 4 destinations in Europe from Austin airport.

result = runnable_with_history.invoke(
    {"query": "Give me the codes and names of those airports."},
    config={"configurable": {"session_id": session_id}},
)
print(result["result"].content)

The four European destinations you can fly to directly from Austin airport are:
- AMS (Amsterdam Airport Schiphol)
- FRA (Frankfurt am Main)
- LGW (London Gatwick)
- LHR (London Heathrow)