Utilizzare i fatti estratti dalla conversazione

È il momento di applicare il tuo LLM con output strutturati! L'llm_with_output che hai creato nell'esercizio precedente è ancora disponibile e il prompt template per questo LLM è già stato fornito.

Questo esercizio fa parte del corso

Graph RAG con LangChain e Neo4j

Visualizza corso

Istruzioni dell'esercizio

Collega (pipe) il chat prompt template fornito all'LLM con output strutturato (llm_with_output).
Esegui la chain sull'ID utente e di sessione forniti, passandole i messaggi dalla cronologia (history).

esercizio interattivo pratico

Prova questo esercizio completando questo codice di esempio.

chain = ChatPromptTemplate.from_messages([
    SystemMessagePromptTemplate.from_template("""
    	You are talking to {user}, the user of the application. 
        Any facts in the first person relate to {user}.
        The Session ID is {session_id}.
    	Extract the facts from the conversation and return them in the format of object, subject, predicate.
    """),
    # Pipe the chat prompt template into the LLM with structured output
    MessagesPlaceholder(variable_name="history")
]) | ____

# Invoke the chain, passing it the messages from the history
chain.invoke({"user": USER, "session_id": SESSION_ID, "history": ____})

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

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

Esercizio attuale

Exercise 11: Congratulazioni!