Zjisti, jak Graph RAG zlepšuje přesnost a spolehlivost RAG aplikací! Ukládej informace jako uzly a hrany v databázi Neo4j a dej svému LLM schopnost dotazovat se na ně, aby mohl načítat informace o entitách a vztazích a poskytovat fundované odpovědi.

Grafy a RAG

Vytváření uzlů

Vytváření vztahů

Ukládání grafových dokumentů

Dotazování na znalostní graf

Psaní Cypher dotazů

Spouštění Cypher příkazů

Klauzule MERGE

Text-to-Cypher Graph RAG s Neo4j

Sestavení řetězce text-to-Cypher

Retrieval chain pro Text-to-Cypher

Začínáme s Graph RAG a Neo4j

Aplikace Text-to-Cypher fungují v mnoha situacích dobře, ale lze to zvládnout ještě lépe! Zjisti, jak vytvářet grafové databáze pomocí různých grafových modelů, včetně lexikálních a doménových grafů. Vytvoř vektorové indexy v Neo4j, aby sis mohl/a užít to nejlepší z obou světů a spouštět grafové i vektorové vyhledávání zároveň!

Lexicální grafy

Prvky lexikálního grafu

Rozdělení hry na dějství

Vytvoření hierarchického lexikálního grafu

Kombinace lexikálních grafů s vektorovým vyhledáváním

Vytváření textových fragmentů

Vytvoření vektorového indexu

Doménové grafy

Vytvoření strukturovaného výstupu

Požadavek na strukturovaný výstup

Zadávání few-shot příkladů

Sestavení hybridního retrieval řetězce

Runnable lambdy

Přiřazení dalších hodnot ke vstupu

Poslední článek řetězce

Grafové modely a hybridní RAG

Přestože jsou Graph RAG aplikace obecně spolehlivější než vektorový RAG, nejsou zcela neomylné. V této kapitole se naučíš vyhodnocovat své Graph RAG aplikace, odhalovat nesprávné nebo duplicitní uzly grafu a integrovat dlouhodobou paměť, aby bylo možné postupně zohledňovat preference uživatelů.

Rozlišování entit

Použití extrahovaných entit

Rozlišování entit pomocí grafu

Vyhodnocování Graph RAG pomocí RAGAS

Vytvoření Ragas hodnocení

Hodnocení načítání kontextu pomocí Ragas

Grafy s pamětí

Ukládání paměti konverzace do grafu

Extrakce faktů z historie konverzací

Využití extrahovaných faktů z konverzace

Gratulujeme!

Zlepšení kvality vyhledávání

Unavil tě už práce s vektory, embeddingy a vektorovými RAG aplikacemi? Tady je řešení! V tomto kurzu zjistíš, jak Graph RAG dokáže výrazně zvýšit přesnost a spolehlivost RAG aplikací tím, že informace ukládá a dotazuje ve formě uzlů a vztahů. Kombinace grafových databází Neo4j s LangChain ti otevře skvělý způsob, jak načítat externí data a integrovat je do LLM.

<h2>Posuňte své RAG aplikace na vyšší úroveň pomocí grafů</h2>Už vás nebaví vektory, embeddingy a vektorové RAG aplikace? Už nehledejte dál! V tomto kurzu zjistíte, jak může Graph RAG výrazně zlepšit přesnost a spolehlivost aplikací RAG tím, že ukládá a dotazuje informace ve formě uzlů a vztahů. Kombinace grafových databází Neo4j s LangChainem vám přinese skutečně skvělý způsob, jak s LLM získávat a integrovat externí data.<br><br><h2>Vytvářejte grafové databáze Neo4j z nestrukturovaného textu</h2>Co když jsou moje data spíš neuspořádaný nestrukturovaný text než graf? Nepanikařte&mdash;naučíte se používat LLM s strukturovanými výstupy k extrakci entit a vztahů z textu a k vytváření nových uzlů a vztahů pro vaši grafovou databázi. Knihovnu Pydantic využijete k definování přísných datových struktur, které bude váš LLM vyplňovat extrahovanými textovými daty.<br><br><h2>Kombinujte vektory a grafy pro hybridní RAG</h2>Nemusíte si vybírat mezi vektory a grafy&mdash;můžete mít to nejlepší z obou světů! Zjistěte, jak můžete v jednom pracovním postupu načítat data z obou zdrojů a pečlivě vytvářet prompty pro jejich integraci do hybridní aplikace RAG.<br><br><h2>Integrujte dlouhodobou paměť chatbotu</h2>Grafové databáze jako Neo4j nejsou užitečné jen jako znalostní báze pro vyhledávání, ale můžete v nich také ukládat dlouhodobé informace, jako jsou fakta o uživatelích a jejich preference, ve formě grafů! Tuto dlouhodobou paměť lze poté dotazovat stejně jako jakoukoli jinou grafovou databázi, aby bylo možné tyto preference integrovat a personalizovat vaše aplikace.

Retrieval Augmented Generation (RAG) with LangChain

Vytvořte přesnější a spolehlivější RAG systémy s Graph RAG a hybridním RAG.

Graph RAG s LangChain a Neo4j

Vytvářejte přesnější a spolehlivější systémy RAG s Graph RAG a hybrid RAG.

Manager, Developer Education at Neo4j

Využití vztahů v sémantickém vyhledávání

Z textových vlastností k embeddings

Neo4j jako vektorové úložiště

Rozdělení existujících vlastností uzlů na části

Vytvoření vektorového indexu v existujícím grafu

Vektorové vyhledávání s LCEL

Pojďme cvičit!

Grafové modely a hybridní RAG - Kombinace lexikálních grafů s vektorovým vyhledáváním

Kombinace lexikálních grafů s vektorovým vyhledáváním

Create Your Free Account