Gespreksgeheugen in de grafiek opslaan

De eenvoudigste strategie voor chatberichtgeschiedenis is om alle berichten precies zoals ze zijn in de database op te slaan. Deze implementatie is makkelijk te coderen, maar de informatie is bij langere gesprekken lastig betrouwbaar te extraheren. Bij langere gesprekken kun je bovendien te maken krijgen met kosten- en latentiekwesties door het aantal tokens dat met elke invoer wordt meegestuurd.

Deze oefening maakt deel uit van de cursus

Graph RAG met LangChain en Neo4j

Oefeninstructies

Instantier een class om chatberichten op te slaan in een Neo4j-database met de meegeleverde inloggegevens en de variabele SESSION_ID.
Start het gesprek met een bericht van de gebruiker.
Voeg een door de AI gegenereerde reactie toe aan het gesprek.

Interactieve oefening met praktijkervaring

Probeer deze oefening door deze voorbeeldcode aan te vullen.

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.")

Code bewerken en uitvoeren

Deze oefening maakt deel uit van de cursus

Graph RAG met LangChain en Neo4j

SkillTag.level.advancedSkillTag.label

4.8+

Begin gratis met de cursus

Leer hoe Graph RAG de nauwkeurigheid en betrouwbaarheid van RAG-applicaties kan verbeteren! Sla informatie op als knooppunten en randen in een Neo4j-database en geef je LLM de mogelijkheid om daarop te query'en, zodat het entiteiten- en relatie-informatie kan ophalen om onderbouwde antwoorden te geven.

Exercise 1: Grafen en RAG Exercise 2: Nodes maken Exercise 3: Relaties maken Exercise 4: Graph-documenten opslaan Exercise 5: Een knowledge graph bevragen Exercise 6: Cypher-statements schrijven Exercise 7: Cypher-statements uitvoeren Exercise 8: De MERGE-clausule Exercise 9: Text-naar-Cypher Graph RAG met Neo4j Exercise 10: Een text-to-Cypher-chain bouwen Exercise 11: Text-to-Cypher retrieval chain

Text-to-Cypher-applicaties werken in veel situaties goed, maar we kunnen het nóg beter doen! Ontdek hoe je grafendatabases opzet met verschillende grafenmodellen, waaronder lexicale en domeingrafen. Maak Neo4j-vectorindexen zodat je het beste van beide werelden hebt en graf- en vector-retrieval gelijktijdig kunt uitvoeren!

Exercise 1: Lexicale grafen Exercise 2: Elementen van een lexicale graaf Exercise 3: Het toneelstuk splitsen in bedrijven Exercise 4: Een hiërarchische lexicale graaf maken Exercise 5: Lexicale grafen combineren met vectorzoekopdrachten Exercise 6: Tekst opdelen in chunks Exercise 7: Een vectorindex maken Exercise 8: Domeingrafen Exercise 9: Een gestructureerde output maken Exercise 10: Een gestructureerde output aanvragen Exercise 11: Few-shotvoorbeelden toevoegen Exercise 12: Een hybride retrieval-keten bouwen Exercise 13: Runnable-lambda's Exercise 14: Extra waarden toekennen aan een input Exercise 15: De laatste schakel in de keten

Hoewel Graph RAG-toepassingen over het algemeen betrouwbaarder zijn dan vector-RAG, zijn ze niet onfeilbaar. In dit hoofdstuk leer je je Graph RAG-applicaties evalueren, onjuiste of dubbele grafknooppunten opsporen en langetermijngeheugen integreren zodat gebruikersvoorkeuren in de tijd kunnen worden geleerd.

Exercise 1: Entiteitsresolutie Exercise 2: Gëxtraheerde entiteiten gebruiken Exercise 3: Grafgebaseerde entity resolution Exercise 4: Graph RAG evalueren met RAGAS Exercise 5: Een Ragas-evaluatie maken Exercise 6: Context retrieval evalueren met Ragas Exercise 7: Geheugengrafen Exercise 8: Gespreksgeheugen in de grafiek opslaan

Huidige oefening

Exercise 9: Feiten extraheren uit gespreksgeschiedenis Exercise 10: Uitgehaalde gespreksfeiten gebruiken Exercise 11: Gefeliciteerd!