Apprenez comment Graph RAG peut améliorer la précision et la fiabilité des applications RAG ! Stockez les informations sous forme de nœuds et d’arêtes dans une base Neo4j, et donnez à votre LLM la capacité de l’interroger pour récupérer des informations sur les entités et leurs relations afin de fournir des réponses étayées.

Graphes et RAG

Création de nœuds

Créer des relations

Enregistrer des documents de graphe

Interroger un graphe de connaissances

Écrire des instructions Cypher

Exécuter des instructions Cypher

La clause MERGE

Graph RAG texte-vers-Cypher avec Neo4j

Créer une chaîne text-to-Cypher

Chaîne de récupération 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 les graphes métier. Créez des index vectoriels Neo4j afin de profiter du meilleur des deux mondes et d’exécuter simultanément une récupération par graphe et par vecteur !

Graphes lexicaux

Éléments d’un graphe lexical

Découper 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 few-shot

Construire une chaîne de récupération hybride

Lambdas exécutables

Ajouter des valeurs supplémentaires à une entrée

Le dernier maillon de la chaîne

Modèles de graphes et RAG hybride

Même si les applications Graph RAG sont généralement plus fiables que le RAG vectoriel, 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 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 le graphe

Évaluer 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 embeddings et des applications de RAG vectoriel ? Ne cherchez plus ! Dans ce cours, vous découvrirez 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. Associez les bases de données graphe Neo4j à LangChain et vous obtenez une méthode vraiment puissante pour récupérer et intégrer des données externes avec des LLM.

<h2>Passez au niveau supérieur avec vos applications RAG grâce aux graphes</h2>Vous en avez assez des vecteurs, des embeddings et des applications RAG vectorielles ? Ne cherchez plus ! Dans ce cours, vous découvrirez comment Graph RAG peut grandement améliorer la précision et la fiabilité des applications RAG en stockant et en interrogeant les informations sous forme de nœuds et de relations. Combinez les bases de données graphe Neo4j avec LangChain et vous obtenez une manière vraiment formidable de récupérer et d’intégrer des données externes avec les LLM.<br><br><h2>Créez des bases de données de graphes Neo4j à partir de texte non structuré</h2>Et si mon jeu de données était du texte non structuré désordonné plutôt qu’un graphe ? Pas de panique&mdash;vous apprendrez à utiliser les LLM avec des sorties structurées pour extraire des entités et des relations à partir de texte, et créer de nouveaux nœuds et relations pour votre base de données graphe. Vous utiliserez la bibliothèque Pydantic pour définir des structures de données strictes que votre LLM devra renseigner 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;vous pouvez profiter du meilleur des deux mondes ! Découvrez comment vous pouvez extraire des données à partir de deux sources de données dans un seul workflow et construire soigneusement des prompts pour les intégrer dans une application RAG hybride.<br><br><h2>Intégrez la mémoire à long terme des chatbots</h2>Les bases de données graphiques comme Neo4j ne sont pas seulement utiles comme bases de connaissances pour la récupération ; vous pouvez aussi stocker des informations à long terme, comme 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 graphe 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

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

Évaluer la récupération de contexte avec Ragas

Instructions de l’exercice

Exercice interactif pratique