Crear una salida estructurada

Las salidas estructuradas son clave para extraer resultados coherentes de los Large Language Models, algo crucial en muchas aplicaciones.

Aquí usarás la biblioteca pydantic para definir las propiedades que describen a un personaje de Romeo y Julieta mediante una clase Character. En el siguiente ejercicio, usarás esto para extraer personajes como salidas estructuradas a partir de una sección de la obra.

Este ejercicio forma parte del curso

Graph RAG con LangChain y Neo4j

Instrucciones del ejercicio

Crea una clase Character que herede de la clase base adecuada de pydantic.
Define la propiedad name de la clase.
Define una propiedad opcional family para contemplar personajes cuya familia pueda ser desconocida.

ejercicio interactivo práctico

Prueba este ejercicio completando este código de ejemplo.

from pydantic import BaseModel, Field
from typing import Optional

# Inherit the correct pydantic class
class Character(____):
	# Describe the name property
	name: str = ____(description="The full name of the character")                
	# Set family to optional
	____: Optional[str] = Field(description="The name of the family they belong to")

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

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

Ejercicio actual

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!