Here’s the table of contents:

LangChain 2 ONgDB：大模型+知识图谱实现领域知识问答

  LangChain 是一种 LLMs(大语言模型) 接口框架，它允许用户围绕大型语言模型快速构建应用程序和管道。
Langchain2ONgDB 是参考 Langchain2Neo4j 的实验项目，将ONgDB集成到了LangChain生态系统。
在Langchain2Neo4j的基础上去掉了Keyword search(关键词全文检索)和Vector search(向量检索)功能，只保留了基础的Cypher生成工具，并跑通了一个 中文数据集案例 。
如果对去掉的两个工具感兴趣可以查看 Langchain2ONgDB历史仓库 。

系统截图

  使用 LangChain 构建应用程序后，当有用户提问时，系统会先通过代理找到合适的工具（知识图谱），然后通过工具获取数据，最后由 LLM + 私域数据生成一个流畅表达并回复用户。整个过程代理的调用会更复杂一些，当生成回复后系统会自动判断该LLM回复是否需要继续执行其它任务，是一个完全自主的递归调用流程。

LangChain代理流程

  代理流程在接收到用户输入时启动。然后，代理向 LLM 模型发送请求，其中包括用户问题和代理提示，代理提示是代理应该遵循的一组自然语言指令。反过来，LLM 会向代理提供进一步的指示。 对于工具的使用大多数情况下，我们的第一反应是使用可用的工具从外部来源获取更多信息。 但是，工具不限于只读操作。例如，您可以使用它们来更新数据库。在该工具返回附加上下文后，使用新获得的信息对 LLM 进行另一次调用。 LLM 可以选择返回给用户最终生成的答案，或者它可以决定需要通过其可用工具执行更多的操作。 对于每一个输出（Observation）之后会紧跟着一个思考（Thought），思考下一步做什么，如果发现任务全部完成就输出最终答案。