Lerne, wie Graph RAG die Genauigkeit und Zuverlässigkeit von RAG-Anwendungen verbessern kann! Speichere Informationen als Knoten und Kanten in einer Neo4j-Datenbank und gib deinem LLM die Fähigkeit, sie abzufragen, damit es Entitäten- und Beziehungsinformationen abrufen und fundierte Antworten geben kann.

Graphs und RAG

Knoten erstellen

Beziehungen erstellen

Graph-Dokumente speichern

Eine Wissensgraph-Abfrage durchführen

Cypher-Anweisungen schreiben

Cypher-Anweisungen ausführen

Die MERGE-Klausel

Text-zu-Cypher Graph RAG mit Neo4j

Eine Text-zu-Cypher-Chain erstellen

Text-zu-Cypher Retrieval-Chain

Erste Schritte mit Graph RAG und Neo4j

Text-to-Cypher-Anwendungen funktionieren in vielen Situationen gut, aber wir können noch mehr herausholen! Entdecke, wie du Graphdatenbanken mit unterschiedlichen Graphmodellen konstruierst, darunter lexikalische und Domain-Graphen. Erstelle Neo4j-Vektorindizes, damit du das Beste aus beiden Welten nutzen und Graph- und Vektorabruf gleichzeitig ausführen kannst!

Lexikalische Graphen

Elemente eines lexikalischen Graphen

Das Stück in Akte aufteilen

Erstellen eines hierarchischen Lexikalgraphen

Lexikalische Graphen mit Vektorsuche kombinieren

Text in Chunks aufteilen

Einen Vektorindex erstellen

Domänengraphen

Strukturierte Ausgabe erstellen

Einen strukturierten Output anfordern

Few-shot-Beispiele bereitstellen

Eine hybride Retrieval-Chain aufbauen

Runnable-Lambdas

Zusätzliche Werte einem Input zuweisen

Das letzte Glied in der Kette

Graphmodelle und Hybrid-RAG

Auch wenn Graph-RAG-Anwendungen im Allgemeinen zuverlässiger sind als Vector RAG, sind sie nicht unfehlbar. In diesem Kapitel lernst du, deine Graph-RAG-Anwendungen zu evaluieren, falsche oder doppelte Graphknoten zu erkennen und Langzeitgedächtnis zu integrieren, damit Nutzerpräferenzen über die Zeit erlernt werden können.

Entitätsauflösung

Extrahierte Entitäten verwenden

Graphbasierte Entitätsauflösung

Graph RAG mit RAGAS evaluieren

Erstellen einer Ragas-Evaluierung

Kontext-Retrieval mit Ragas evaluieren

Memory Graphs

Unterhaltungsspeicher im Graphen sichern

Fakten aus Gesprächsverläufen extrahieren

Extrahierte Gesprächsfakten verwenden

Glückwunsch!

Abrufqualität verbessern

Hast du genug von Vektoren, Embeddings und reinen Vector-RAG-Anwendungen? Dann bist du hier richtig! In diesem Kurs erfährst du, wie Graph RAG die Genauigkeit und Zuverlässigkeit von RAG-Anwendungen deutlich steigern kann, indem Informationen als Knoten und Beziehungen gespeichert und abgefragt werden. Kombiniere Neo4j-Graphdatenbanken mit LangChain – so erhältst du eine richtig starke Methode, um externe Daten mit LLMs abzurufen und zu integrieren.

<h2>Bringen Sie Ihre RAG-Anwendungen mit Graphen auf das nächste Level</h2>Haben Sie genug von Vektoren, Embeddings und Vektor-RAG-Anwendungen? Schauen Sie nicht weiter! In diesem Kurs erfahren Sie, wie Graph RAG die Genauigkeit und Zuverlässigkeit von RAG-Anwendungen erheblich verbessern kann, indem Informationen in Form von Knoten und Beziehungen gespeichert und abgefragt werden. Kombinieren Sie Neo4j-Graphdatenbanken mit LangChain, und Sie erhalten eine wirklich großartige Möglichkeit, externe Daten mit LLMs abzurufen und zu integrieren.<br><br><h2>Erstellen Sie Neo4j-Graphdatenbanken aus unstrukturiertem Text</h2>Was, wenn mein Datensatz eher aus unstrukturiertem, unübersichtlichem Text als aus einem Graphen besteht? Keine Panik&mdash;Sie lernen, wie Sie LLMs mit strukturierten Ausgaben verwenden, um Entitäten und Beziehungen aus Text zu extrahieren und neue Knoten und Beziehungen für Ihre Graphdatenbank zu erstellen. Sie werden die Pydantic-Bibliothek nutzen, um strikte Datenstrukturen zu definieren, die Ihr LLM mit extrahierten Textdaten befüllen soll.<br><br><h2>Vektoren und Graphen für hybrides RAG kombinieren</h2>Sie müssen sich nicht zwischen Vektoren und Graphen entscheiden&mdash;Sie können das Beste aus beiden Welten haben! Entdecken Sie, wie Sie aus beiden Datenquellen in einem einzigen Workflow abrufen und Prompts sorgfältig erstellen können, um sie in eine hybride RAG-Anwendung zu integrieren.<br><br><h2>Langzeitgedächtnis für Chatbots integrieren</h2>Graphdatenbanken wie Neo4j sind nicht nur als Wissensdatenbanken für Retrieval nützlich, Sie können auch langfristige Informationen wie Nutzerfakten und Präferenzen als Graphen speichern! Dieser Langzeitspeicher kann dann wie jede andere Graphdatenbank abgefragt werden, um diese Präferenzen zu integrieren und Ihre Anwendungen zu personalisieren.

Retrieval Augmented Generation (RAG) with LangChain

Erstellen Sie genauere und zuverlässigere RAG-Systeme mit Graph RAG und Hybrid RAG.

Text-zu-Cypher Graph RAG mit Neo4j

Create Your Free Account