Ostatnie ogniwo łańcucha

Mając do dyspozycji łańcuch text-to-cypher z rozdziału 1 i wektorowy retriever z wcześniejszej części tego rozdziału, możesz teraz złożyć łańcuch, który umożliwia dostęp do informacji w grafie wiedzy na dwa sposoby—zarówno przez wektory, jak i przez węzły i relacje.

Zmienne text_to_cypher_chain i line_retriever (wektorowy retriever Neo4j) są już dostępne, podobnie jak prompt do odpowiadania na pytania w trybie hybrydowego pobierania, graphrag_qa_prompt.

To ćwiczenie jest częścią kursu

Graph RAG z LangChain i Neo4j

Instrukcje do ćwiczenia

Przekaż klucz "question" do wektorowego retrievera (line_retriever), aby uzyskać trafne wyniki za pomocą wyszukiwania wektorowego.
Pobierz zapytanie z obiektu graph, aby wykonać instrukcję Cypher wygenerowaną przez text_to_cypher_chain.
Uruchom graphrag_qa_chain na przekazanych danych wejściowych.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

graphrag_qa_chain = RunnablePassthrough.assign(
    # Pass the "question" key to the retriever
    vectors = RunnableLambda(lambda x: line_retriever.invoke(____)),
    # Execute the generated Cypher statement
    records = text_to_cypher_chain | graph.____
) | graphrag_qa_prompt | llm | StrOutputParser()

# Execute the hybrid chain
output = graphrag_qa_chain.____({"question": "Does Sampson bite his thumb at Gregory?"})
print(output)

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

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

Bieżące ćwiczenie

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!