Cadena de recuperación de Text-to-Cypher

Ahora ya tienes una cadena capaz de convertir lenguaje natural en una sentencia Cypher. Vamos a usarla en una cadena más grande para ejecutar este Cypher generado por el LLM y responder a las preguntas de la persona usuaria con la información recuperada.

Este ejercicio forma parte del curso

Graph RAG con LangChain y Neo4j

Instrucciones del ejercicio

Actualiza el código para ejecutar la sentencia Cypher generada por text_to_cypher_chain y asígnala a la variable "context" usada en QA_PROMPT.
Pasa la entrada a la variable "question" sin modificarla.

ejercicio interactivo práctico

Prueba este ejercicio completando este código de ejemplo.

qa_prompt = ChatPromptTemplate.from_messages([
    SystemMessagePromptTemplate.from_template(QA_PROMPT),
    HumanMessagePromptTemplate.from_template("Question: {question}")
])

qa_chain = {
  	# Use output of text_to_cypher to get database results
    "context": text_to_cypher_chain | ____(lambda cypher: graph.____(cypher)),
    # Pass the user input through to the "question" variable
    "question": ____
} | qa_prompt | llm | StrOutputParser()

res = qa_chain.invoke({"question": "What companies is Harrison Chase connected to?"})
print(res)

Editar y ejecutar código

Este ejercicio forma parte del curso

Graph RAG con LangChain y Neo4j

AvanzadoNivel de habilidad

4.8+

Empieza el curso gratis

Aprende cómo Graph RAG puede mejorar la precisión y la fiabilidad de las aplicaciones RAG. Almacena información como nodos y aristas en una base de datos Neo4j y dale a tu LLM la capacidad de consultarla para recuperar información de entidades y relaciones y así ofrecer respuestas fundamentadas.

Exercise 1: Grafos y RAG Exercise 2: Crear nodos Exercise 3: Crear relaciones Exercise 4: Guardar documentos de grafo Exercise 5: Consultar un grafo de conocimiento Exercise 6: Escribir sentencias Cypher Exercise 7: Ejecutar sentencias Cypher Exercise 8: La cláusula MERGE Exercise 9: Graph RAG de texto a Cypher con Neo4j Exercise 10: Crear una cadena de text-to-Cypher Exercise 11: Cadena de recuperación de Text-to-Cypher

Ejercicio actual

Las aplicaciones de Text-to-Cypher funcionan bien en muchos casos, ¡pero podemos ir un paso más allá! Descubre cómo construir bases de datos de grafos usando distintos modelos de grafo, incluidos los grafos léxicos y de dominio. Crea índices vectoriales en Neo4j para tener lo mejor de ambos mundos y ejecutar a la vez recuperación por grafo y por vectores.

Exercise 1: Grafos léxicos Exercise 2: Elementos de un grafo léxico Exercise 3: Dividir la obra en actos Exercise 4: Creación de un grafo léxico jerárquico Exercise 5: Combinar grafos léxicos con búsqueda vectorial Exercise 6: Crear fragmentos de texto Exercise 7: Crear un índice vectorial Exercise 8: Grafos de dominio Exercise 9: Crear una salida estructurada Exercise 10: Solicitar una salida estructurada Exercise 11: Proporcionar ejemplos few-shot Exercise 12: Crear una cadena de recuperación híbrida Exercise 13: Lambdas ejecutables (runnables)Exercise 14: Asignar valores adicionales a una entrada Exercise 15: El último eslabón de la cadena

Aunque las aplicaciones de Graph RAG suelen ser más fiables que las de vector RAG, no son infalibles. En este capítulo aprenderás a evaluar tus aplicaciones de Graph RAG, detectar nodos de grafo incorrectos o duplicados e integrar memoria a largo plazo para que las preferencias del usuario se aprendan con el tiempo.

Exercise 1: Resolución de entidades Exercise 2: Usar entidades extraídas Exercise 3: Resolución de entidades basada en grafos Exercise 4: Evaluar Graph RAG con RAGAS Exercise 5: Creando una evaluación con Ragas Exercise 6: Evaluar la recuperación de contexto con Ragas Exercise 7: Grafos de memoria Exercise 8: Guardar la memoria de la conversación en el grafo Exercise 9: Extraer hechos de historiales de conversación Exercise 10: Usar los hechos extraídos de la conversación Exercise 11: ¡Enhorabuena!