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.

Grafos y RAG

Crear nodos

Crear relaciones

Guardar documentos de grafo

Consultar un grafo de conocimiento

Escribir sentencias Cypher

Ejecutar sentencias Cypher

La cláusula MERGE

Graph RAG de texto a Cypher con Neo4j

Crear una cadena de text-to-Cypher

Cadena de recuperación de Text-to-Cypher

Primeros pasos con Graph RAG y Neo4j

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.

Grafos léxicos

Elementos de un grafo léxico

Dividir la obra en actos

Creación de un grafo léxico jerárquico

Combinar grafos léxicos con búsqueda vectorial

Crear fragmentos de texto

Crear un índice vectorial

Grafos de dominio

Crear una salida estructurada

Solicitar una salida estructurada

Proporcionar ejemplos few-shot

Crear una cadena de recuperación híbrida

Lambdas ejecutables (runnables)

Asignar valores adicionales a una entrada

El último eslabón de la cadena

Modelos de grafos y RAG híbrido

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.

Resolución de entidades

Usar entidades extraídas

Resolución de entidades basada en grafos

Evaluar Graph RAG con RAGAS

Creando una evaluación con Ragas

Evaluar la recuperación de contexto con Ragas

Grafos de memoria

Guardar la memoria de la conversación en el grafo

Extraer hechos de historiales de conversación

Usar los hechos extraídos de la conversación

¡Enhorabuena!

Mejorar la calidad de la recuperación

¿Ya estás cansado de los vectores, los embeddings y las aplicaciones de vector RAG? ¡Entonces este curso es para ti! Descubrirás cómo Graph RAG puede mejorar enormemente la precisión y la fiabilidad de las aplicaciones RAG al almacenar y consultar información en forma de nodos y relaciones. Combina las bases de datos de grafos Neo4j con LangChain y tendrás una forma fantástica de recuperar e integrar datos externos con LLMs.

<h2>Lleva tus aplicaciones RAG al siguiente nivel con grafos</h2>¿Ya estás cansado de los vectores, los embeddings y las aplicaciones RAG vectoriales? ¡No busques más! En este curso, descubrirás cómo Graph RAG puede mejorar enormemente la precisión y la fiabilidad de las aplicaciones de RAG al almacenar y consultar información en forma de nodos y relaciones. Combina las bases de datos de grafos Neo4j con LangChain y obtendrás una forma realmente increíble de recuperar e integrar datos externos con LLMs.<br><br><h2>Crea bases de datos de grafos Neo4j a partir de texto no estructurado</h2>¿Y si mi conjunto de datos es texto no estructurado y desordenado en lugar de un grafo? No te asustes&mdash;aprenderás a usar LLM con salidas estructuradas para extraer entidades y relaciones del texto, y crear nuevos nodos y relaciones para tu base de datos de grafos. Utilizarás la biblioteca Pydantic para definir estructuras de datos estrictas que tu LLM deberá completar con los datos de texto extraídos.<br><br><h2>Combina vectores y grafos para RAG híbrido</h2>¡No tienes que elegir entre vectores y grafos&mdash;puedes tener lo mejor de ambos mundos! Descubre cómo puedes recuperar datos de ambas fuentes en un único flujo de trabajo y construir cuidadosamente prompts para integrarlos en una aplicación RAG híbrida.<br><br><h2>Integra la memoria a largo plazo del chatbot</h2>¡Las bases de datos de grafos como Neo4j no solo son útiles como bases de conocimiento para la recuperación, sino que también puedes almacenar información a largo plazo, como datos y preferencias de usuario, en forma de grafos! Esta memoria a largo plazo puede consultarse después igual que cualquier otra base de datos de grafos para integrar estas preferencias y personalizar sus aplicaciones.

Retrieval Augmented Generation (RAG) with LangChain

Crea sistemas RAG más precisos y fiables con Graph RAG e híbrido RAG.

Graph RAG con LangChain y Neo4j

Crea sistemas RAG más precisos y fiables con Graph RAG y hybrid RAG.

Evaluar la recuperación de contexto con Ragas

Graph RAG con LangChain y Neo4j

Instrucciones del ejercicio

ejercicio interactivo práctico