Guardar la memoria de la conversación en el grafo

La estrategia más sencilla para el historial de chat es guardar todos los mensajes en la base de datos exactamente como están. Esta implementación es fácil de programar, pero la información puede resultar difícil de extraer de forma fiable en conversaciones largas. En conversaciones extensas, también puedes tener problemas de coste y latencia por la cantidad de tokens que se envían con cada entrada.

Este ejercicio forma parte del curso

Graph RAG con LangChain y Neo4j

Instrucciones del ejercicio

Instancia una clase para almacenar mensajes de chat en una base de datos Neo4j usando las credenciales y la variable SESSION_ID proporcionadas.
Inicia la conversación con un mensaje del usuario.
Añade una respuesta generada por la IA a la conversación.

ejercicio interactivo práctico

Prueba este ejercicio completando este código de ejemplo.

from langchain_neo4j import Neo4jChatMessageHistory

# Store chat history in Neo4j
history = ____(
    url=NEO4J_URL,
    username=NEO4J_USERNAME,
    password=NEO4J_PASSWORD,
    ____=SESSION_ID,
)

# Add a user message
history.____("My favourite character is Juliet.")

# Add an AI message
history.____("Great choice! Juliet is a multi-faceted and complex character.")

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

Ejercicio actual

Exercise 9: Extraer hechos de historiales de conversación Exercise 10: Usar los hechos extraídos de la conversación Exercise 11: ¡Enhorabuena!