Apprenez comment Graph RAG peut améliorer la précision et la fiabilité des applications RAG! Stockez l'information comme nœuds et arêtes dans une base de données Neo4j, et donnez à votre LLM la capacité de l'interroger pour récupérer des renseignements sur les entités et leurs relations afin de fournir des réponses éclairées.

Graphes et RAG

Créer des nœuds

Créer des relations

Enregistrer des documents de graphe

Interroger un graphe de connaissances

Rédiger des instructions Cypher

Exécuter des instructions Cypher

La clause MERGE

Graph RAG de texte vers Cypher avec Neo4j

Créer une chaîne text-to-Cypher

Chaîne de repérage Text-to-Cypher

Premiers pas avec Graph RAG et Neo4j

Les applications Text-to-Cypher fonctionnent bien dans de nombreux cas, mais on peut faire mieux! Découvrez comment construire des bases de données graphe en utilisant différents modèles, dont les graphes lexicaux et de domaine. Créez des index de vecteurs Neo4j pour profiter du meilleur des deux mondes et exécuter simultanément la récupération graphe et la recherche vectorielle!

Graphes lexicaux

Éléments d'un graphe lexical

Diviser la pièce en actes

Créer un graphe lexical hiérarchique

Combiner les graphes lexicaux avec la recherche vectorielle

Créer des segments de texte

Créer un index vectoriel

Graphes de domaine

Créer une sortie structurée

Demander une sortie structurée

Fournir des exemples en few-shot

Créer une chaîne de récupération hybride

Fonctions lambda exécutables

Attribuer des valeurs supplémentaires à une entrée

Le dernier maillon de la chaîne

Modèles de graphe et RAG hybride

Même si les applications Graph RAG sont généralement plus fiables que celles à base de vecteurs, elles ne sont pas infaillibles. Dans ce chapitre, vous apprendrez à évaluer vos applications Graph RAG, à repérer les nœuds de graphe incorrects ou en double, et à intégrer une mémoire à long terme pour que les préférences des utilisateurs soient apprises au fil du temps.

Résolution d'entités

Utiliser les entités extraites

Résolution d'entités basée sur un graphe

Évaluer le Graph RAG avec RAGAS

Créer une évaluation Ragas

Évaluer la récupération de contexte avec Ragas

Graphes de mémoire

Enregistrer la mémoire de conversation dans le graphe

Extraire des faits à partir d'historiques de conversation

Utiliser les faits extraits de la conversation

Félicitations !

Améliorer la qualité de la récupération

Vous en avez assez des vecteurs, des plongements et des applications RAG à base de vecteurs? Ne cherchez plus! Dans ce cours, vous verrez comment Graph RAG peut grandement améliorer la précision et la fiabilité des applications RAG en stockant et en interrogeant l'information sous forme de nœuds et de relations. Combinez les bases de données graphe Neo4j avec LangChain pour obtenir une méthode vraiment efficace de récupération et d'intégration de données externes avec des LLM.

<h2>Améliorez vos applications RAG grâce aux graphes</h2>En avez-vous assez des vecteurs, des embeddings et des applications RAG basées sur les vecteurs? Ne cherchez pas plus loin! Dans ce cours, vous découvrirez comment Graph RAG peut considérablement améliorer la précision et la fiabilité des applications RAG en stockant et en interrogeant l’information sous forme de nœuds et de relations. Combinez les bases de données graphiques Neo4j avec LangChain pour obtenir une méthode puissante d’extraction et d’intégration de données externes avec les LLM.<br><br><h2>Créer des bases de données graphiques Neo4j à partir de texte non structuré</h2>Que faire si mon ensemble de données est composé de texte non structuré et désordonné plutôt que d’un graphe? Ne vous inquiétez pas — vous apprendrez à utiliser les LLMs avec des sorties structurées pour extraire des entités et des relations à partir de textes, puis à créer de nouveaux nœuds et relations pour votre base de données graphique. Vous utiliserez la bibliothèque Pydantic pour définir des structures de données strictes que votre LLM remplira avec les données textuelles extraites.<br><br><h2>Combinez les vecteurs et les graphes pour un RAG hybride</h2>Vous n’avez pas à choisir entre les vecteurs et les graphes&mdash;profitez du meilleur des deux mondes! Découvrez comment extraire des informations à partir des deux sources de données dans un seul flux de travail et concevoir soigneusement des invites pour les intégrer dans une application hybride RAG.<br><br><h2>Intégrez la mémoire à long terme à votre chatbot</h2>Les bases de données graphiques comme Neo4j ne servent pas uniquement de bases de connaissances pour la recherche d’informations; elles permettent aussi de stocker des données à long terme, telles que les faits et préférences des utilisateurs, sous forme de graphes! Cette mémoire à long terme peut ensuite être interrogée comme n’importe quelle autre base de données de graphes afin d’intégrer ces préférences et de personnaliser vos applications.

Retrieval Augmented Generation (RAG) with LangChain

Créez des systèmes RAG plus précis et fiables avec Graph RAG et RAG hybride.

Graph RAG avec LangChain et Neo4j

Améliorez la précision et la fiabilité de vos systèmes RAG grâce à Graph RAG et au RAG hybride.

Évaluer la récupération de contexte avec Ragas

Graph RAG avec LangChain et Neo4j

Instructions de l’exercice

Exercice interactif pratique