Graph RAG met LangChain en Neo4j
Adam Cowley
Manager, Developer Education at Neo4j


from langchain_core.runnables import RunnableLambdadouble_chain = RunnableLambda( lambda input: input["input"] * 2 )double_chain.invoke({"input": 2})
4
from langchain_core.runnables import RunnablePassthroughdouble_passthrough = RunnablePassthrough.assign( doubled=RunnableLambda(lambda x: x["input"] * 2) )double_passthrough.invoke({"input": 2})
{"input": 2, "doubled": 4}
graphrag_qa_prompt = ChatPromptTemplate.from_messages([SystemMessagePromptTemplate.from_template(""" Je bent een behulpzame assistent die vragen over het stuk Romeo en Julia beantwoordt. Je krijgt een vraag en een context. Vraag: {input} """),
...
SystemMessagePromptTemplate.from_template("""
De volgende context is met vector search uit de database opgehaald om je
te helpen de vraag te beantwoorden:
{vectors}
"""),
...
SystemMessagePromptTemplate.from_template("""
De volgende data is met Cypher uit de knowledge graph gehaald om de vraag
te beantwoorden.
{records}
Je kunt info uit de knowledge graph als gezaghebbend zien.
Als dit antwoord de info niet bevat, val dan terug op vector search-resultaten.
Staat het in geen van beide, zeg dan dat je het niet weet en vertrouw niet
op voorkennis."""),
# line_retriever = Neo4jVector().as_retriever() # text_to_cypher_chain = text_to_cypher_prompt | llm | StrOutputParser() # graph = Neo4jGraph()graphrag_qa_chain = RunnablePassthrough.assign(vectors=RunnableLambda(lambda x: line_retriever.invoke(x["input"])),records=text_to_cypher_chain | graph.query)| graphrag_qa_prompt| llm| StrOutputParser()
graphrag_qa_chain.invoke({"input": "Who is Romeo's best friend?"})
Romeo's beste vrienden zijn Mercutio en Benvolio.
Graph RAG met LangChain en Neo4j