Menyimpan memori percakapan dalam graph

Strategi riwayat pesan obrolan yang paling sederhana adalah menyimpan semua pesan di database, persis seperti aslinya. Implementasi ini mudah untuk dikodekan, tetapi informasinya bisa sulit diambil secara andal dari percakapan yang panjang. Untuk percakapan yang lebih panjang, Anda juga berpotensi menghadapi masalah biaya dan latensi karena jumlah token yang dikirim bersama setiap masukan.

Latihan ini merupakan bagian dari kursus

Graph RAG dengan LangChain dan Neo4j

Instruksi latihan

Instansiasikan sebuah kelas untuk menyimpan pesan obrolan dalam database Neo4j menggunakan kredensial dan variabel SESSION_ID yang disediakan.
Mulai percakapan dengan sebuah pesan dari pengguna.
Tambahkan respons yang dihasilkan AI ke dalam percakapan.

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

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.")

Edit dan Jalankan Kode

Latihan ini merupakan bagian dari kursus

Graph RAG dengan LangChain dan Neo4j

SkillTag.level.advancedSkillTag.label

4.8+

Mulai Kursus Gratis

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.

Exercise 1: Graf dan RAG Exercise 2: Membuat node Exercise 3: Membuat relasi Exercise 4: Menyimpan dokumen graf Exercise 5: Menguji kueri pada knowledge graph Exercise 6: Menulis pernyataan Cypher Exercise 7: Menjalankan pernyataan Cypher Exercise 8: Klausa MERGE Exercise 9: Graph RAG Teks-ke-Cypher dengan Neo4j Exercise 10: Membangun chain text-to-Cypher Exercise 11: Rantai pengambilan Text-to-Cypher

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!

Exercise 1: Graf leksikal Exercise 2: Elemen dalam grafik leksikal Exercise 3: Memecah naskah menjadi Babak (Act)Exercise 4: Membuat grafik leksikal hierarkis Exercise 5: Menggabungkan graf leksikal dengan penelusuran vektor Exercise 6: Membuat potongan teks Exercise 7: Membuat indeks vektor Exercise 8: Graf domain Exercise 9: Membuat keluaran terstruktur Exercise 10: Meminta keluaran terstruktur Exercise 11: Menyediakan contoh few-shot Exercise 12: Membangun rantai pengambilan hibrida Exercise 13: Lambda runnable Exercise 14: Menetapkan nilai tambahan ke sebuah input Exercise 15: Mata rantai terakhir

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.

Exercise 1: Resolusi entitas Exercise 2: Menggunakan entitas yang diekstraksi Exercise 3: Penyelesaian entitas berbasis grafik Exercise 4: Mengevaluasi Graph RAG dengan RAGAS Exercise 5: Membuat evaluasi Ragas Exercise 6: Mengevaluasi pengambilan konteks dengan Ragas Exercise 7: Graf memori Exercise 8: Menyimpan memori percakapan dalam graph

Latihan Saat Ini

Exercise 9: Mengekstrak fakta dari riwayat percakapan Exercise 10: Menggunakan fakta percakapan yang diekstrak Exercise 11: Selamat!