Usar los hechos extraídos de la conversación

¡Hora de aplicar tu LLM con salidas estructuradas! El llm_with_output que creaste en el ejercicio anterior sigue disponible, y la plantilla de prompt para este LLM ya está proporcionada.

Este ejercicio forma parte del curso

Graph RAG con LangChain y Neo4j

Instrucciones del ejercicio

Encadena la plantilla de chat prompt proporcionada con el LLM con salida estructurada (llm_with_output).
Invoca la cadena con el ID de usuario y de sesión indicados, pasándole los mensajes del historial (history).

ejercicio interactivo práctico

Prueba este ejercicio completando este código de ejemplo.

chain = ChatPromptTemplate.from_messages([
    SystemMessagePromptTemplate.from_template("""
    	You are talking to {user}, the user of the application. 
        Any facts in the first person relate to {user}.
        The Session ID is {session_id}.
    	Extract the facts from the conversation and return them in the format of object, subject, predicate.
    """),
    # Pipe the chat prompt template into the LLM with structured output
    MessagesPlaceholder(variable_name="history")
]) | ____

# Invoke the chain, passing it the messages from the history
chain.invoke({"user": USER, "session_id": SESSION_ID, "history": ____})

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 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

Ejercicio actual

Exercise 11: ¡Enhorabuena!