Łańcuch pobierania danych text-to-Cypher

Masz już łańcuch, który potrafi przekształcić język naturalny w instrukcję Cypher. Teraz użyjemy go w większym łańcuchu, żeby wykonać wygenerowany przez LLM Cypher i odpowiedzieć na pytania użytkownika na podstawie pobranych informacji.

To ćwiczenie jest częścią kursu

Graph RAG z LangChain i Neo4j

Instrukcje do ćwiczenia

Zaktualizuj kod tak, aby wykonywał instrukcję Cypher wygenerowaną przez text_to_cypher_chain, i przypisz wynik do zmiennej "context" używanej w QA_PROMPT.
Przekaż dane wejściowe do zmiennej "question" bez zmian.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

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)

Edytuj i uruchom kod

To ćwiczenie jest częścią kursu

Graph RAG z LangChain i Neo4j

SkillTag.level.advancedSkillTag.label

4.8+

Rozpocznij kurs za darmo

Poznaj Graph RAG i sprawdź, jak poprawia dokładność oraz niezawodność aplikacji RAG! Przechowuj informacje jako węzły i krawędzie w bazie Neo4j, a następnie daj swojemu dużemu modelowi językowemu możliwość odpytywania bazy — aby pobierał informacje o encjach i relacjach i udzielał trafnych odpowiedzi.

Exercise 1: Grafy i RAG Exercise 2: Tworzenie węzłów Exercise 3: Tworzenie relacji Exercise 4: Zapisywanie dokumentów grafu Exercise 5: Odpytywanie grafu wiedzy Exercise 6: Pisanie zapytań w Cypher Exercise 7: Wykonywanie instrukcji Cypher Exercise 8: Klauzula MERGE Exercise 9: Graph RAG z Neo4j: od tekstu do Cypher Exercise 10: Budowanie łańcucha text-to-Cypher Exercise 11: Łańcuch pobierania danych text-to-Cypher

Bieżące ćwiczenie

Aplikacje text-to-Cypher sprawdzają się w wielu sytuacjach, ale możemy zrobić jeszcze więcej! Odkryj, jak budować bazy grafowe przy użyciu różnych modeli grafowych — w tym grafów leksykalnych i dziedzinowych. Twórz indeksy wektorowe w Neo4j, by korzystać z zalet obu podejść i uruchamiać wyszukiwanie grafowe oraz wektorowe jednocześnie!

Exercise 1: Grafy leksykalne Exercise 2: Elementy grafu leksykalnego Exercise 3: Podział sztuki na akty Exercise 4: Tworzenie hierarchicznego grafu leksykalnego Exercise 5: Łączenie grafów leksykalnych z wyszukiwaniem wektorowym Exercise 6: Tworzenie fragmentów tekstu Exercise 7: Tworzenie indeksu wektorowego Exercise 8: Grafy domenowe Exercise 9: Tworzenie strukturalnego wyjścia Exercise 10: Żądanie ustrukturyzowanego wyjścia Exercise 11: Podawanie przykładów few-shot Exercise 12: Tworzenie hybrydowego łańcucha pobierania danych Exercise 13: Uruchamialne funkcje lambda Exercise 14: Przypisywanie dodatkowych wartości do wejścia Exercise 15: Ostatnie ogniwo łańcucha

Choć aplikacje Graph RAG są na ogół bardziej niezawodne niż wektorowy RAG, nie są bezbłędne. W tym rozdziale nauczysz się oceniać aplikacje Graph RAG, wykrywać nieprawidłowe lub zduplikowane węzły grafu oraz integrować pamięć długoterminową, dzięki której model będzie uczyć się preferencji użytkownika z biegiem czasu.

Exercise 1: Rozwiązywanie konfliktów encji Exercise 2: Wykorzystywanie wyodrębnionych encji Exercise 3: Rozwiązywanie konfliktów encji na podstawie grafu Exercise 4: Ocena Graph RAG za pomocą RAGAS Exercise 5: Tworzenie ewaluacji w Ragas Exercise 6: Ocena pobierania kontekstu za pomocą Ragas Exercise 7: Grafy pamięci Exercise 8: Zapisywanie pamięci konwersacji w grafie Exercise 9: Ekstrakcja faktów z historii konwersacji Exercise 10: Korzystanie z wyodrębnionych faktów z rozmowy Exercise 11: Gratulacje!