使用LLMs与Azure Cosmos DB上的Gremlin进行图数据库查询

最新推荐文章于 2025-12-01 18:34:47 发布

原创最新推荐文章于 2025-12-01 18:34:47 发布 · 310 阅读

CC 4.0 BY-SA版权

文章标签：

在当今数据驱动的时代，图数据库因其能够处理复杂关系和连接而受到越来越多的关注。Azure Cosmos DB for Apache Gremlin是一个强大的图数据库服务，能够存储亿级别的顶点和边，并通过毫秒级的延迟进行查询。本文将向您展示如何结合LLMs（大语言模型）和Gremlin语言为图数据库提供自然语言接口。

## 技术背景介绍

Apache Gremlin是由Apache TinkerPop项目开发的图遍历语言和虚拟机。Azure Cosmos DB提供了对Gremlin语言的支持，使用户能够以图形方式存储数据并执行复杂查询。这一功能对于需要处理复杂关系的数据科学家和开发者尤其重要。

## 核心原理解析

使用LLMs来提升图数据库查询的体验，是由于其能够理解自然语言并将其转化为数据库查询语句。Azure Cosmos DB和Gremlin的结合使得我们可以将LLMs的能力直接应用于处理图数据结构，快速获取信息并作出决策。

## 代码实现演示

首先，我们需要安装必要的Python库来与Azure Cosmos DB进行交互：

```bash
!pip3 install gremlinpython

配置数据库连接

确保您的Azure Cosmos DB实例已经设置完成，并获取到必要的连接信息：

import nest_asyncio
from langchain.chains.graph_qa.gremlin import GremlinQAChain
from langchain_community.graphs import GremlinGraph
from langchain_openai import AzureChatOpenAI

# 设置数据库连接
cosmosdb_name = "mycosmosdb"
cosmosdb_db_id = "graphtesting"
cosmosdb_db_graph_id = "mygraph"
cosmosdb_access_Key = "longstring=="

graph = GremlinGraph(
    url=f"wss://{cosmosdb_name}.gremlin.cosmos.azure.com:443/",
    username=f"/dbs/{cosmosdb_db_id}/colls/{cosmosdb_db_graph_id}",
    password=cosmosdb_access_Key,
)

# 解决在Notebook中运行时的异步问题
nest_asyncio.apply()

数据库种子数据

通过GraphDocuments向数据库中添加数据：

from langchain_community.graphs.graph_document import GraphDocument, Node, Relationship
from langchain_core.documents import Document

source_doc = Document(
    page_content="Matrix is a movie where Keanu Reeves, Laurence Fishburne and Carrie-Anne Moss acted."
)
movie = Node(id="The Matrix", properties={"label": "movie", "title": "The Matrix"})
actor1 = Node(id="Keanu Reeves", properties={"label": "actor", "name": "Keanu Reeves"})
actor2 = Node(id="Laurence Fishburne", properties={"label": "actor", "name": "Laurence Fishburne"})
actor3 = Node(id="Carrie-Anne Moss", properties={"label": "actor", "name": "Carrie-Anne Moss"})
rel1 = Relationship(id=5, type="ActedIn", source=actor1, target=movie, properties={"label": "ActedIn"})
rel2 = Relationship(id=6, type="ActedIn", source=actor2, target=movie, properties={"label": "ActedIn"})
rel3 = Relationship(id=7, type="ActedIn", source=actor3, target=movie, properties={"label": "ActedIn"})
graph_doc = GraphDocument(
    nodes=[movie, actor1, actor2, actor3],
    relationships=[rel1, rel2, rel3],
    source=source_doc,
)

# 添加文件到CosmosDB图
graph.add_graph_documents([graph_doc])

刷新数据库模式信息

在数据更新后，刷新数据库的模式信息以确保使用最新结构：

graph.refresh_schema()
print(graph.schema)

查询图数据库

接下来，我们使用Gremlin QA链来通过自然语言查询图数据库：

chain = GremlinQAChain.from_llm(
    AzureChatOpenAI(
        temperature=0,
        azure_deployment="gpt-4-turbo",
    ),
    graph=graph,
    verbose=True,
)

# 通过自然语言进行查询
response = chain.invoke("Who played in The Matrix?")
print(response)

response = chain.run("How many people played in The Matrix?")
print(response)