Pelajari bagaimana Graph RAG dapat meningkatkan akurasi dan keandalan aplikasi RAG! Simpan informasi sebagai node dan edge dalam basis data Neo4j, dan berikan kemampuan kueri pada LLM Anda agar dapat mengambil informasi entitas dan relasional untuk memberikan jawaban yang lebih tepat.

Graf dan RAG

Membuat node

Membuat relasi

Menyimpan dokumen graf

Menguji kueri pada knowledge graph

Menulis pernyataan Cypher

Menjalankan pernyataan Cypher

Klausa MERGE

Graph RAG Teks-ke-Cypher dengan Neo4j

Membangun chain text-to-Cypher

Rantai pengambilan Text-to-Cypher

Mulai dengan Graph RAG dan Neo4j

Aplikasi Text-to-Cypher bekerja baik dalam banyak situasi, tetapi kita bisa melangkah lebih jauh! Pelajari cara membangun basis data graf menggunakan berbagai model graf termasuk graf leksikal dan graf domain. Buat indeks vektor Neo4j sehingga Anda mendapatkan yang terbaik dari keduanya dan dapat menjalankan pengambilan graf dan vektor secara bersamaan!

Graf leksikal

Elemen dalam grafik leksikal

Memecah naskah menjadi Babak (Act)

Membuat grafik leksikal hierarkis

Menggabungkan graf leksikal dengan penelusuran vektor

Membuat potongan teks

Membuat indeks vektor

Graf domain

Membuat keluaran terstruktur

Meminta keluaran terstruktur

Menyediakan contoh few-shot

Membangun rantai pengambilan hibrida

Lambda runnable

Menetapkan nilai tambahan ke sebuah input

Mata rantai terakhir

Model Graf dan Hybrid RAG

Meskipun aplikasi Graph RAG umumnya lebih andal dibandingkan vector RAG, bukan berarti sepenuhnya sempurna. Di bab ini, Anda akan belajar mengevaluasi aplikasi Graph RAG Anda, menemukan node graf yang salah atau duplikat, dan mengintegrasikan memori jangka panjang agar preferensi pengguna dapat dipelajari seiring waktu.

Resolusi entitas

Menggunakan entitas yang diekstraksi

Penyelesaian entitas berbasis grafik

Mengevaluasi Graph RAG dengan RAGAS

Membuat evaluasi Ragas

Mengevaluasi pengambilan konteks dengan Ragas

Graf memori

Menyimpan memori percakapan dalam graph

Mengekstrak fakta dari riwayat percakapan

Menggunakan fakta percakapan yang diekstrak

Selamat!

Meningkatkan Kualitas Pengambilan

Apakah Anda mulai bosan dengan vektor, embedding, dan aplikasi vector RAG? Saatnya mencoba pendekatan lain! Di kursus ini, Anda akan mempelajari bagaimana Graph RAG dapat meningkatkan akurasi dan keandalan aplikasi RAG dengan menyimpan dan mengkueri informasi dalam bentuk node dan relasi. Padukan basis data graf Neo4j dengan LangChain untuk mendapatkan cara yang benar-benar andal dalam mengambil dan mengintegrasikan data eksternal dengan LLM.

<h2>Tingkatkan Aplikasi RAG Anda dengan Graf</h2>Apakah Anda mulai bosan dengan vektor, embedding, dan aplikasi RAG berbasis vektor? Tidak perlu mencari lagi! Dalam kursus ini, Anda akan mempelajari bagaimana Graph RAG dapat secara signifikan meningkatkan akurasi dan keandalan aplikasi RAG dengan menyimpan dan menelusuri informasi dalam bentuk node dan relasi. Gabungkan basis data graf Neo4j dengan LangChain, dan Anda akan mendapatkan cara yang sangat efektif untuk mengambil serta mengintegrasikan data eksternal dengan LLM.<br><br><h2>Buat Database Graf Neo4j dari Teks Tidak Terstruktur</h2>Bagaimana jika data saya berupa teks tidak terstruktur yang berantakan, bukan sebuah graf? Jangan khawatir—Anda akan mempelajari cara menggunakan LLM dengan output terstruktur untuk mengekstrak entitas dan hubungan dari teks, serta membuat node dan hubungan baru untuk basis data graf Anda. Anda akan menggunakan pustaka Pydantic untuk mendefinisikan struktur data yang ketat agar LLM Anda dapat mengisinya dengan data teks yang diekstrak.<br><br><h2>Gabungkan Vektor dan Graf untuk Hybrid RAG</h2>Anda tidak perlu memilih antara vektor atau graf—Anda bisa mendapatkan keunggulan dari keduanya! Pelajari bagaimana Anda dapat mengambil data dari kedua sumber dalam satu alur kerja dan dengan cermat membangun prompt untuk mengintegrasikannya ke dalam aplikasi RAG hybrid.<br><br><h2>Integrasikan Memori Chatbot Jangka Panjang</h2>Database graf seperti Neo4j tidak hanya berguna sebagai basis pengetahuan untuk pengambilan data, tetapi Anda juga dapat menyimpan informasi jangka panjang seperti fakta dan preferensi pengguna dalam bentuk graf! Memori jangka panjang ini kemudian dapat di-query seperti basis data graf lainnya untuk mengintegrasikan preferensi tersebut dan mempersonalisasi aplikasi Anda.

Retrieval Augmented Generation (RAG) with LangChain

Buat sistem RAG lebih akurat dan andal dengan Graph RAG dan hybrid RAG.

Graph RAG dengan LangChain dan Neo4j

Bangun sistem RAG yang lebih akurat dan andal dengan Graph RAG serta hybrid RAG.

Menetapkan nilai tambahan ke sebuah input

Graph RAG dengan LangChain dan Neo4j

Instruksi latihan

Latihan interaktif langsung praktik