Catena di recupero Text-to-Cypher

Ora hai una chain in grado di convertire il linguaggio naturale in un'istruzione Cypher. Usiamola in una chain più ampia per eseguire questo Cypher generato dall'LLM e rispondere alle domande dell'utente con le informazioni recuperate.

Questo esercizio fa parte del corso

Graph RAG con LangChain e Neo4j

Visualizza corso

Istruzioni dell'esercizio

Aggiorna il codice per eseguire l'istruzione Cypher generata da text_to_cypher_chain e assegnarla alla variabile "context" usata in QA_PROMPT.
Fai passare l'input invariato nella variabile "question".

esercizio interattivo pratico

Prova questo esercizio completando questo codice di esempio.

qa_prompt = ChatPromptTemplate.from_messages([
    SystemMessagePromptTemplate.from_template(QA_PROMPT),
    HumanMessagePromptTemplate.from_template("Question: {question}")
])

qa_chain = {
  	# Use output of text_to_cypher to get database results
    "context": text_to_cypher_chain | ____(lambda cypher: graph.____(cypher)),
    # Pass the user input through to the "question" variable
    "question": ____
} | qa_prompt | llm | StrOutputParser()

res = qa_chain.invoke({"question": "What companies is Harrison Chase connected to?"})
print(res)

Modifica ed esegui il codice

Questo esercizio fa parte del corso

Graph RAG con LangChain e Neo4j

AvançadoNível de habilidade

4.8+

Inizia il corso gratuitamente

Scopri come Graph RAG può migliorare l’accuratezza e l’affidabilità delle applicazioni RAG! Memorizza le informazioni come nodi e archi in un database Neo4j e dai al tuo LLM la possibilità di interrogarlo, così potrà recuperare informazioni su entità e relazioni per fornire risposte più informate.

Exercise 1: Grafi e RAG Exercise 2: Creare nodi Exercise 3: Creare relazioni Exercise 4: Salvare i documenti del grafo Exercise 5: Interrogare un grafo della conoscenza Exercise 6: Scrivere istruzioni Cypher Exercise 7: Eseguire istruzioni Cypher Exercise 8: La clausola MERGE Exercise 9: Graph RAG da testo a Cypher con Neo4j Exercise 10: Creare una chain text-to-Cypher Exercise 11: Catena di recupero Text-to-Cypher

Esercizio attuale

Le applicazioni Text-to-Cypher funzionano bene in molti casi, ma possiamo fare di meglio! Scopri come costruire database a grafo usando diversi modelli, inclusi i grafi lessicali e di dominio. Crea indici vettoriali in Neo4j per avere il meglio di entrambi i mondi ed eseguire recupero su grafo e vettoriale in parallelo!

Exercise 1: Grafi lessicali Exercise 2: Elementi di un grafo lessicale Exercise 3: Suddividere l'opera in Atti Exercise 4: Creare un grafo lessicale gerarchico Exercise 5: Combinare i grafi lessicali con la ricerca vettoriale Exercise 6: Creare chunk di testo Exercise 7: Creare un indice vettoriale Exercise 8: Grafi di dominio Exercise 9: Creare un output strutturato Exercise 10: Richiedere un output strutturato Exercise 11: Fornire esempi few-shot Exercise 12: Creare una catena di recupero ibrida Exercise 13: Lambda eseguibili Exercise 14: Assegnare valori aggiuntivi a un input Exercise 15: L’ultimo anello della catena

Sebbene le applicazioni Graph RAG siano in genere più affidabili delle RAG vettoriali, non sono infallibili. In questo capitolo imparerai a valutare le tue applicazioni Graph RAG, a individuare nodi di grafo errati o duplicati e a integrare una memoria a lungo termine per apprendere le preferenze dell’utente nel tempo.

Exercise 1: Risoluzione delle entità Exercise 2: Usare le entità estratte Exercise 3: Risoluzione di entità basata su grafo Exercise 4: Valutare Graph RAG con RAGAS Exercise 5: Creare una valutazione con Ragas Exercise 6: Valutare il recupero del contesto con Ragas Exercise 7: Grafi di memoria Exercise 8: Salvare la memoria della conversazione nel grafo Exercise 9: Estrarre fatti dalle cronologie di conversazione Exercise 10: Utilizzare i fatti estratti dalla conversazione Exercise 11: Congratulazioni!