Korzystanie z wyodrębnionych faktów z rozmowy

Czas zastosować LLM ze strukturyzowanymi wynikami! llm_with_output utworzony w poprzednim ćwiczeniu jest nadal dostępny, a szablon promptu dla tego LLM został już przygotowany.

To ćwiczenie jest częścią kursu

Graph RAG z LangChain i Neo4j

Instrukcje do ćwiczenia

Podłącz dostarczony szablon promptu do LLM ze strukturyzowanym wyjściem (llm_with_output).
Wywołaj łańcuch dla podanego użytkownika i identyfikatora sesji, przekazując mu wiadomości z historii (history).

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

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": ____})

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

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

Bieżące ćwiczenie

Exercise 11: Gratulacje!