图库 | 如何使用多种技术和工具通过 Python 开发图聊天机器人项目​？

从相关到精确的差距

目前利用vector DB和嵌入技术，我们能够有效地识别最相关的内容，以响应用户的查询。然而，在这个框架内精确定位相关答案是一个重大挑战。例如，当呈现三个不同的内容时 —— 一个图像文件（ultipa-logo. jpg）；关于提供图解决方案的公司嬴图的信息；以及关于嬴图名为 SP 的合作伙伴的详细信息 —— 传统的问答系统通常很难解决诸如 “SP 的合作伙伴的标志是什么？” 或 “SP 如何制定图解决方案？”

传统的 QA 系统在面对分散在各种来源中的多格式数据时会遇到限制，阻碍了它们发现隐藏在不同数据关系互连性中的答案的能力。

一种利用图获得更多上下文的解决方案

这篇文章旨在展示 OpenAI、LangChain、Chroma Vector DB 和 嬴图的战略集成，以实现 QA 系统（称为嬴图-GraphBot）的最佳性能。在这种方法中，我们利用嬴图Graph 从寻路查询和节点属性中收集知识，通过深入研究可用数据来回答问题。

准备工作：

要设置基本组件，请安装 scikit-learn、嬴图、LangChain 和 OpenAI 软件包。 

pip install scikit-learn ultipa langchain openai

导入演示数据集：使用嬴图-Transtor 将数据集导入嬴图Graph。配置服务器和图集信息，并在 import. yml 文件中指定节点 / 边缘模式和属性。

图1：用于导入数据集的 CSV 和 YML 文件

图2：数据集的图模型

图3：导入图概述

通过 Python SDK 连接到嬴图Graph：通过 Python SDK 连接到嬴图Graph，并为所有节点创建一个名为 “embedding” （嵌入）的新属性。

import os
Utilizing Ultipa-Transporter to Import all demo data
# Create the connection to Ultipa
from ultipa import Connection, UltipaConfig
from ultipa.types import ULTIPA
from ultipa import structs, ULTIPA_REQUEST
from ultipa.structs.Path import Path

ultipaConfig = UltipaConfig()
ultipaConfig.hosts = [os.getenv("HOST")]
ultipaConfig.username = os.getenv("USER")
ultipaConfig.password = os.getenv("PASS")
ultipaConfig.defaultGraph = os.getenv("GRAPH")
ultipaConfig.heartbeat = 0 # disable heartbeat

conn = Connection.NewConnection(defaultConfig=ultipaConfig)

conn.test().Print()

# Create the property embedding for all nodes
conn.uql("create().node_propery(@*,'embedding',float[],'vectors')")

配置 OpenAI 和其他：要继续，您需要一个 OPENAI_API_KEY。如果您没有，请按照此处列出的步骤申请一个。

导入必要的库：

from typing import List
from IPython.display import display, clear_output
from IPython.display import HTML

#