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.

Grafi e RAG

Creare nodi

Creare relazioni

Salvare i documenti del grafo

Interrogare un grafo della conoscenza

Scrivere istruzioni Cypher

Eseguire istruzioni Cypher

La clausola MERGE

Graph RAG da testo a Cypher con Neo4j

Creare una chain text-to-Cypher

Catena di recupero Text-to-Cypher

Prime basi con Graph RAG e Neo4j

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!

Grafi lessicali

Elementi di un grafo lessicale

Suddividere l'opera in Atti

Creare un grafo lessicale gerarchico

Combinare i grafi lessicali con la ricerca vettoriale

Creare chunk di testo

Creare un indice vettoriale

Grafi di dominio

Creare un output strutturato

Richiedere un output strutturato

Fornire esempi few-shot

Creare una catena di recupero ibrida

Lambda eseguibili

Assegnare valori aggiuntivi a un input

L’ultimo anello della catena

Modelli a grafo e Hybrid RAG

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.

Risoluzione delle entità

Usare le entità estratte

Risoluzione di entità basata su grafo

Valutare Graph RAG con RAGAS

Creare una valutazione con Ragas

Valutare il recupero del contesto con Ragas

Grafi di memoria

Salvare la memoria della conversazione nel grafo

Estrarre fatti dalle cronologie di conversazione

Utilizzare i fatti estratti dalla conversazione

Congratulazioni!

Migliorare la qualità del recupero

Sei stanco di vettori, embedding e applicazioni RAG basate su vettori? Allora sei nel posto giusto! In questo corso scoprirai come Graph RAG può migliorare notevolmente l’accuratezza e l’affidabilità delle applicazioni RAG memorizzando e interrogando le informazioni sotto forma di nodi e relazioni. Combina i database a grafo Neo4j con LangChain per ottenere un modo davvero potente di recuperare e integrare dati esterni con gli LLM.

<h2>Porta le tue applicazioni RAG a un livello superiore con i grafi</h2>Sei già stanco di vettori, embedding e applicazioni RAG vettoriali? Non cercare oltre! In questo corso, scoprirai come Graph RAG possa migliorare notevolmente l'accuratezza e l'affidabilità delle applicazioni RAG memorizzando e interrogando le informazioni sotto forma di nodi e relazioni. Combina i database a grafo Neo4j con LangChain e ottieni un modo davvero straordinario per recuperare e integrare dati esterni con gli LLM.<br><br><h2>Crea database a grafo Neo4j da testo non strutturato</h2>E se il mio dataset fosse testo non strutturato disordinato invece che un grafo? Niente panico&mdash;imparerai a usare gli LLM con output strutturati per estrarre entità e relazioni dal testo e creare nuovi nodi e relazioni per il tuo database a grafo. Utilizzerai la libreria Pydantic per definire strutture dati rigorose che il tuo LLM dovrà popolare con i dati di testo estratti.<br><br><h2>Combina vettori e grafi per un RAG ibrido</h2>Non devi scegliere tra vettori e grafi&mdash;puoi avere il meglio di entrambi i mondi! Scopri come puoi recuperare da entrambe le fonti di dati in un unico flusso di lavoro e costruire con cura prompt per integrarle in un'applicazione RAG ibrida.<br><br><h2>Integra la memoria a lungo termine del chatbot</h2>I database a grafo come Neo4j non sono utili solo come basi di conoscenza per il retrieval: puoi anche archiviare informazioni a lungo termine, come fatti e preferenze degli utenti, sotto forma di grafi! Questa memoria a lungo termine può quindi essere interrogata proprio come qualsiasi altro database a grafo per integrare queste preferenze e personalizzare le tue applicazioni.

Retrieval Augmented Generation (RAG) with LangChain

Crea sistemi RAG più precisi e affidabili con Graph RAG e RAG ibrido.

Graph RAG con LangChain e Neo4j

Crea sistemi RAG più accurati e affidabili con Graph RAG e hybrid RAG.

Assegnare valori aggiuntivi a un input

Graph RAG con LangChain e Neo4j

Istruzioni dell'esercizio

esercizio interattivo pratico