MATCH(n:Article) WHERE n.citation_count > 50RETURN n.title, n.citation_count

query = "Find articles about climate change?"vectorstore = Neo4jVector.from_existing_graph(**args)vectorstore.similarity_search(query, k=3)

def route_question(state: GraphState):print("---ROUTE QUESTION---")question = state["question"]source = question_router.invoke({"question": question})if source.datasource == "vector search":print("---ROUTE QUESTION TO VECTOR SEARCH---")return "decomposer"elif source.datasource == "graph query":print("---ROUTE QUESTION TO GRAPH QA---")return "prompt_template"
workflow = StateGraph(GraphState)
workflow.add_node(PROMPT_TEMPLATE, prompt_template)workflow.add_node(GRAPH_QA, graph_qa)
workflow.add_node(DECOMPOSER, decomposer)workflow.add_node(VECTOR_SEARCH, vector_search)workflow.add_node(PROMPT_TEMPLATE_WITH_CONTEXT, prompt_template_with_context)workflow.add_node(GRAPH_QA_WITH_CONTEXT, graph_qa_with_context)
workflow.set_conditional_entry_point(route_question,{'decomposer': DECOMPOSER, 'prompt_template': PROMPT_TEMPLATE },)
workflow.add_edge(DECOMPOSER, VECTOR_SEARCH)workflow.add_edge(VECTOR_SEARCH, PROMPT_TEMPLATE_WITH_CONTEXT)workflow.add_edge(PROMPT_TEMPLATE_WITH_CONTEXT, GRAPH_QA_WITH_CONTEXT)workflow.add_edge(GRAPH_QA_WITH_CONTEXT, END)
workflow.add_edge(PROMPT_TEMPLATE, GRAPH_QA)workflow.add_edge(GRAPH_QA, END)
app = workflow.compile()
app.get_graph().draw_mermaid_png(output_file_path="graph.png")

class SubQuery(BaseModel):"""将给定问题/查询分解为子查询"""
sub_query: str = Field(...,description="对原始问题的唯一释义。",)
system = """你是一名专家，能够将用户问题转换为 Neo4j Cypher 查询。执行查询分解。给定用户问题，将其分解为两个独立的子查询，你需要回答这些子查询以回答原始问题。
对于给定的输入问题，创建一个用于相似性搜索的查询，并创建一个用于执行 neo4j 图查询的查询。以下是示例：问题：查找关于光合作用的文章并返回其标题。答案：sub_query1：查找与光合作用相关的文章。sub_query2：返回文章的标题"""prompt = ChatPromptTemplate.from_messages([("system", system),("human", "{question}"),])
llm_with_tools = llm.bind_tools([SubQuery])parser = PydanticToolsParser(tools=[SubQuery])query_analyzer = prompt | llm_with_tools | parser

template = f"""任务：生成用于查询图数据库的 Cypher 语句。说明：仅使用模式中提供的关系类型和属性。不要使用未提供的其他关系类型或属性。
上下文来自于向量搜索 {context}
使用上下文，创建 Cypher 语句并使用该语句进行图查询。"""

context = state["article_ids"]
prefix = f"""任务：生成用于查询图数据库的 Cypher 语句。说明：仅使用模式中提供的关系类型和属性。不要使用未提供的其他关系类型或属性。......上下文以元组 ('a..', 'W..') 的形式提供使用元组的第二个元素作为节点 ID，例如 'W..... 以下是上下文：{context}
使用上述上下文中的节点 ID，创建 Cypher 语句并使用该语句进行图查询。示例：以下是针对一些问题示例生成的 Cypher 语句示例："""
FEW_SHOT_PROMPT = FewShotPromptTemplate(example_selector = example_selector,example_prompt = example_prompt,prefix=prefix,suffix="问题：{question}, \\nCypher 查询：",input_variables =["question", "query"],) return FEW_SHOT_PROMPT

template = f"""任务：生成用于查询图数据库的 Cypher 语句。说明：仅使用模式中提供的关系类型和属性。不要使用未提供的其他关系类型或属性。
上下文来自于向量搜索 {context}
使用上下文，创建 Cypher 语句并使用该语句进行图查询。"""
PROMPT = PromptTemplate(input_variables =["question", "context"],template = template,) 

chain = ({  "question": RunnablePassthrough(), "context" : RetrievalQA.from_chain_type(),}| PROMPT| GraphCypherQAChain() )

class RouteQuery(BaseModel):"""将用户查询路由到最相关的数据源。"""
datasource: Literal["vector search", "graph query"] = Field(...,description="给定用户问题选择将其路由到向量存储或图数据库。",)llm = ChatOpenAI(temperature=0)structured_llm_router = llm.with_structured_output(RouteQuery)
system = """你是一名专家，能够将用户问题路由以执行向量搜索或图查询。向量存储包含与文章标题、摘要和主题相关的文档。以下是三个路由情况：如果用户问题涉及相似性搜索，请执行向量搜索。用户查询可能包含类似“相似”、“相关”、“相关性”、“相同”、“最近”等术语，表明向量搜索。对于其他情况，请使用图查询。
向量搜索案例的问题示例：查找关于光合作用的文章查找与氧化应激相关的类似文章
图数据库查询的问题示例：MATCH (n:Article) RETURN COUNT(n)MATCH (n:Article) RETURN n.title
图 QA 链的问题示例：查找特定年份发表的文章并返回其标题、作者查找来自位于特定国家（例如日本）的机构的作者"""
route_prompt = ChatPromptTemplate.from_messages([("system", system),("human", "{question}")])
question_router = route_prompt | structured_llm_router
def route_question(state: GraphState):print("---ROUTE QUESTION---")question = state["question"]source = question_router.invoke({"question": question})if source.datasource == "vector search":print("---ROUTE QUESTION TO VECTOR SEARCH---")return "decomposer"elif source.datasource == "graph query":print("---ROUTE QUESTION TO GRAPH QA---")        return "prompt_template"

class GraphState(TypedDict):"""表示我们图的状态。
属性：question: 问题documents: 链的结果article_ids: 来自向量搜索的文章 ID 列表prompt: 提示模板对象prompt_with_context: 来自向量搜索的带上下文的提示模板subqueries: 分解的查询"""
question: strdocuments: dictarticle_ids: List[str]prompt: objectprompt_with_context: objectsubqueries: object

def prompt_template_with_context(state: GraphState):
question = state["question"]queries = state["subqueries"] 
prompt_with_context = create_few_shot_prompt_with_context(state)return {"prompt_with_context": prompt_with_context, "question":question, "subqueries": queries}

app.invoke({"question": "查找引用次数最多的前 5 篇文章并返回其标题"})
---ROUTE QUESTION------ROUTE QUESTION TO GRAPH QA---
> 正在进入新的 GraphCypherQAChain 链...生成的 Cypher：MATCH (a:Article) WITH a ORDER BY a.citation_count DESC RETURN a.title LIMIT 5
> 链完成。
graph_qa_result['documents']
{'query': '查找引用次数最多的前 5 篇文章并返回其标题', 'result': [{'a.title': '从蚯蚓堆肥中分离出的腐殖酸增强了玉米根的根伸长、侧根出现和质膜 H+-ATPase 活性'},{'a.title': '快速估算相对含水量'},{'a.title': 'ARAMEMNON，一个用于阿拉伯芥整合膜蛋白的新数据库'},{'a.title': '植物生理学中的多胺。'},{'a.title': '对阿拉伯芥根和芽中硝酸盐反应的微阵列分析揭示了 1000 多个快速反应基因以及与葡萄糖、海藻糖-6-磷酸、铁和硫酸盐代谢的新联系'}]}

app.invoke({"question": "查找关于氧化应激的文章。返回最相关文章的标题"})
---ROUTE QUESTION------ROUTE QUESTION TO VECTOR SEARCH---
> 正在进入新的 RetrievalQA 链...
> 链完成。
graph_qa_result['documents']
{'query': '返回最相关文章的标题。', 'result': [{'a.title': '苔藓和谷类之间对脱落酸和应激的分子反应的保守性'}]}
graph_qa_result.keys()dict_keys(['question', 'documents', 'article_ids', 'prompt_with_context', 'subqueries'])
graph_qa_result['subqueries']
[SubQuery(sub_query='查找与氧化应激相关的文章。'), SubQuery(sub_query='返回最相关文章的标题。')]