Das letzte Glied in der Kette

Mit der Text-zu-Cypher-Chain aus Kapitel 1 und dem Vector Retriever von früher in diesem Kapitel hast du jetzt die Komponenten, um eine Chain zu erstellen, die mehrere Wege bietet – sowohl Vektoren als auch Knoten und Beziehungen –, um auf die Informationen in deinem Knowledge Graph zuzugreifen.

Die Variablen text_to_cypher_chain und line_retriever (der Neo4j Vector Retriever) stehen dir zur Verfügung, zusammen mit einem Question-Answering-Prompt für hybrides Retrieval, graphrag_qa_prompt.

Diese Übung ist Teil des Kurses

<Kurs>Graph RAG mit LangChain und Neo4j</Kurs>

Übungsanweisungen

Übergib den Schlüssel "question" an den Vector Retriever (line_retriever), um mit der Vectorsuche relevante Ergebnisse zu erhalten.
Extrahiere die Abfrage aus dem Objekt graph, um die vom text_to_cypher_chain generierte Cypher-Anweisung auszuführen.
Führe graphrag_qa_chain auf der gegebenen Eingabe aus.

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

graphrag_qa_chain = RunnablePassthrough.assign(
    # Pass the "question" key to the retriever
    vectors = RunnableLambda(lambda x: line_retriever.invoke(____)),
    # Execute the generated Cypher statement
    records = text_to_cypher_chain | graph.____
) | graphrag_qa_prompt | llm | StrOutputParser()

# Execute the hybrid chain
output = graphrag_qa_chain.____({"question": "Does Sampson bite his thumb at Gregory?"})
print(output)

Code bearbeiten und ausführen

Diese Übung ist Teil des Kurses

<Kurs>Graph RAG mit LangChain und Neo4j</Kurs>

Hohe SchwierigkeitSchwierigkeitsgrad

4.8+

Kurs kostenlos starten

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.

Exercise 1: Graphs und RAG Exercise 2: Knoten erstellen Exercise 3: Beziehungen erstellen Exercise 4: Graph-Dokumente speichern Exercise 5: Eine Wissensgraph-Abfrage durchführen Exercise 6: Cypher-Anweisungen schreiben Exercise 7: Cypher-Anweisungen ausführen Exercise 8: Die MERGE-Klausel Exercise 9: Text-zu-Cypher Graph RAG mit Neo4j Exercise 10: Eine Text-zu-Cypher-Chain erstellen Exercise 11: Text-zu-Cypher Retrieval-Chain

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!

Exercise 1: Lexikalische Graphen Exercise 2: Elemente eines lexikalischen Graphen Exercise 3: Das Stück in Akte aufteilen Exercise 4: Erstellen eines hierarchischen Lexikalgraphen Exercise 5: Lexikalische Graphen mit Vektorsuche kombinieren Exercise 6: Text in Chunks aufteilen Exercise 7: Einen Vektorindex erstellen Exercise 8: Domänengraphen Exercise 9: Strukturierte Ausgabe erstellen Exercise 10: Einen strukturierten Output anfordern Exercise 11: Few-shot-Beispiele bereitstellen Exercise 12: Eine hybride Retrieval-Chain aufbauen Exercise 13: Runnable-Lambdas Exercise 14: Zusätzliche Werte einem Input zuweisen Exercise 15: Das letzte Glied in der Kette

Aktuelle Übung

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.

Exercise 1: Entitätsauflösung Exercise 2: Extrahierte Entitäten verwenden Exercise 3: Graphbasierte Entitätsauflösung Exercise 4: Graph RAG mit RAGAS evaluieren Exercise 5: Erstellen einer Ragas-Evaluierung Exercise 6: Kontext-Retrieval mit Ragas evaluieren Exercise 7: Memory Graphs Exercise 8: Unterhaltungsspeicher im Graphen sichern Exercise 9: Fakten aus Gesprächsverläufen extrahieren Exercise 10: Extrahierte Gesprächsfakten verwenden Exercise 11: Glückwunsch!